学位论文 > 优秀研究生学位论文题录展示

在线主动学习在环境感知中的应用研究

作　者: 王绪辉
导　师: 胡雪蕾
学　校: 南京理工大学
专　业: 模式识别与智能系统
关键词: 环境感知障碍物检测在线学习主动学习
分类号: TP181
类　型: 硕士论文
年　份: 2011年
下　载: 30次
引　用: 0次
阅　读: 论文下载

内容摘要

随着机器学习理论的不断发展进步,应用机器学习技术解决智能车辆系统的环境感知问题成为人们研究的热点。障碍物检测是环境感知的重要组成部分。传统监督学习方法借助大量预先标注的样本获得分类器来处理障碍物检测问题,已经取得许多成果,但也存在一些难点。例如,降低标注大量未标记样本的代价,提高分类器的泛化能力,降低处理问题的时间和内存消耗,等。本文研究了在在线学习算法on-line LASVM的前提下,加入主动学习机制来处理障碍物检测问题的方法,实现了在线主动学习算法on-line active LASVM。on-line LASVM是一种行之有效的在线学习算法,其在时间和空间性能上优于经典的离线式学习算法。主动学习机制能够选择拥有最大信息价值的样本,能够学习较少的样本却得到较高的分类性能。将在线学习和主动学习结合在一起的on-line active LASVM算法,能够减少手工标记样本的成本,降低处理问题的时间、空间消耗,同时获得分类泛化能力较高的分类器,可以高效的处理智能车辆系统行进过程中的障碍物检测问题。

全文目录

摘要  3-4
Abstract  4-5
目录  5-7
1 绪论  7-14
  1.1 环境感知的发展  7-10
  1.2 机器学习与环境感知  10-12
  1.3 在线学习与环境感知  12-13
  1.4 论文主要工作内容和结构  13-14
2 在线增量学习概述  14-22
  2.1 在线学习的意义  14
  2.2 SVM理论概述  14-17
  2.3 在线增量SVM  17-21
  2.4 小结与讨论  21-22
3 主动学习简介  22-33
  3.1 引入主动学习的意义  22-23
  3.2 主动学习框架  23-25
    3.2.1 委员会查询方式  24
    3.2.2 基于流的选择采样  24-25
    3.2.3 基于池的主动学习  25
  3.3 主动学习查询策略简介  25-31
    3.3.1 基于不确定度的查询  25-26
    3.3.2 Query-By-Committee  26-27
    3.3.3 期望模型改变(Expected Model Change)  27-28
    3.3.4 方差缩减和费舍信息量  28-30
    3.3.5 缩减泛化误差  30
    3.3.6 密度加权  30-31
  3.4 小结与展望  31-33
4 在线主动学习在环境感知中对障碍物检测的应用  33-44
  4.1 核感知器(kernel Perceptron)  33-34
  4.2 支持向量机(SVM)解法  34-36
  4.3 在线LASVM  36-38
  4.4 主动LASVM  38-40
    4.4.1 收集潜在的支持向量  39
    4.4.2 梯度选择法  39-40
    4.4.3 主动选择策略  40
  4.5 在线主动学习算法在环境感知中的应用  40-43
  4.6 小结  43-44
5 实验与结果  44-57
  5.1 实验目的  44
  5.2 实验数据  44-46
  5.3 特征提取  46-48
    5.3.1 颜色特征  46-47
    5.3.2 纹理特征  47-48
  5.4 主要实验环节  48-55
    5.4.1 分类器参数的确定  48-49
    5.4.2 adult数据集上on-line LASVM算法和batch LIBSVM算法的比较  49-51
    5.4.3 adult数据集上active LASVM算法和random LIBSVM算法的比较  51-52
    5.4.4 障碍物数据集上on-line LASVM算法和batch LIBSVM算法的比较  52-54
    5.4.5 障碍物数据集上active LASM和random LIBSVM的比较  54-55
    5.4.6 预测结果演示  55
  5.5 小结和展望  55-57
6 总结与展望  57-58
致谢  58-59
参考文献  59-64

在线主动学习在环境感知中的应用研究

内容摘要

全文目录

相似论文