学位论文 > 优秀研究生学位论文题录展示
基于谱正则化的线性降维方法研究
作 者: 王成
导 师: 孙廷凯
学 校: 南京理工大学
专 业: 计算机应用技术
关键词: 线性特征提取 PCA LDA 正则化 散布矩阵
分类号: TP391.41
类 型: 硕士论文
年 份: 2012年
下 载: 25次
引 用: 0次
阅 读: 论文下载
内容摘要
基于线性变换的特征提取一直是模式识别领域研究的重点,有着许多被广泛应用且被证明有效的方法。其中的主成分分析(PCA)和线性判别分析(LDA)经常被用于特征降维。本文的研究重点也是基于这两种方法所展开。针对由于有限样本可能引起的小特征值对PCA结果的影响,本文将正则化技术应用到PCA中,提出了一种基于谱正则化的PCA,即ER-PCA,通过对其特征谱的正则化,降低了小特征值的影响。在人脸图像库和部分UCI数据集上进行的实验,证明了该方法的有效性。经典LDA方法经过特征提取后,产生的投影空间维数受限于样本的类别数,一般为类别数C减一。而且,LDA假设各类样本是满足高斯分布的,对于实际情况中的非高斯分布的数据,LDA分类效果不一定好。基于此,本文对原类内散布矩阵和类间散布矩阵进行了重新定义,其中引入了k近邻(k-NN)思想,希望依据样本的k近邻来反映样本的分布,提出了一种基于样本k近邻关系的LDA,即KNN-LDA。最后,通过在两个手写体数据集上的实验,可以看出,新方法不仅能够产生更高维度的投影空间(一般为样本维度n),而且要优于原LDA方法。
|
全文目录
摘要 3-4 Abstract 4-5 目录 5-7 1 绪论 7-12 1.1 研究背景和意义 7 1.2 模式识别和模式识别系统 7-8 1.3 模式识别的研究方法 8-9 1.4 特征提取 9-10 1.5 本文的主要工作及内容安排 10-12 2 主成分分析(PCA) 12-18 2.1 K-L变换 12-13 2.2 主成分的求解步骤 13-14 2.3 特征值的选取 14-15 2.4 距离函数的选择 15-16 2.5 SVD定理 16-17 2.6 PCA的优缺点 17 2.7 本章小结 17-18 3 基于特征谱正则化的PCA方法(ER-PCA) 18-31 3.1 引言 18 3.2 特征谱子空间的划分 18-21 3.3 特征谱正则化 21-22 3.4 特征提取和投影 22-23 3.5 α和β值的求解优化 23-25 3.6 实验结果及分析 25-30 3.6.1 人脸图像库 25-28 3.6.2 UCI数据集 28-30 3.7 本章小结 30-31 4 基于k近邻的类LDA方法(KNN-LDA) 31-41 4.1 Fisher线性判别分析方法 31-33 4.2 LDA用于特征提取时的部分问题及解决方法 33 4.3 KNN-LDA 33-36 4.3.1 算法描述 33-34 4.3.2 算法思想 34-36 4.4 实验结果与分析 36-40 4.4.1 CENPARMI手写体数据库 36-38 4.4.2 UCI手写体数据库 38-40 4.5 本章小结 40-41 5 总结与展望 41-42 致谢 42-43 参考文献 43-45
|
相似论文
- 基于空间—频率域的织物组织识别新技术研究,TS101.923
- 功能磁共振成像技术在前列腺癌诊断中的应用研究,R737.25
- 基于概率PCA的图像复原方法研究及其应用,TP391.41
- 注塑成型过程监测与故障诊断平台的设计与实现,TQ320.5
- 利用非局部相似性的图像超分辨率重建研究,TP391.41
- 认知无线电中频谱感知方法的研究,TN925
- 代数曲线实时光栅化,TP391.72
- 基于小波变换和线性子空间的人脸识别技术研究,TP391.41
- 无线传感器网络定位算法的研究,TN929.5
- Tetrolet稀疏正则化与样本学习的图像超分辨率算法研究,TP391.41
- 基于特征提取的视频场景分类技术研究,TP391.41
- 求解图像去噪问题的变权重不动点算法研究,O177.91
- 基于PCA和SVM的汽车涂装线机电设备智能诊断,TH165.3
- 三维高密点地震信号数字组合技术研究,TP301.6
- 基于社会标签系统的推荐技术研究,TP391.3
- 车辆目标SAR图像预处理方法研究,TN957.52
- 面向IICCD相机不完全随机采样遥感图像的重建算法,TP751
- 唾液表面增强拉曼光谱用于肺癌早期诊断的研究,R734.2
- 基于正则化的超分辨率图像序列重建技术研究,TP391.41
- 基于压缩感知的合成孔径雷达超分辨成像复数据处理方法研究,TN958
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|