基于深度極限學(xué)習(xí)機(jī)的K-SVD算法研究及其應(yīng)用.pdf

1、隨著互聯(lián)網(wǎng)和信息行業(yè)的蓬勃發(fā)展，自2012年以來(lái)，當(dāng)今社會(huì)便進(jìn)入了“大數(shù)據(jù)”時(shí)代，生活每天被各種各樣的海量信息所包圍，例如文字信息、語(yǔ)音信息、圖像信息、視頻信息等。作為信息或者數(shù)據(jù)的一種載體，圖像因其所帶給人們的即視感，已經(jīng)成為了繼文本、語(yǔ)音后又一存儲(chǔ)和傳遞信息的常用形式，其數(shù)量正以驚人的速度增長(zhǎng)。
　　然而，對(duì)于圖像這種本身維度就很高的數(shù)據(jù)，用來(lái)存儲(chǔ)并傳輸大量圖像的資源是有限的，這就要求高效地表示圖像以節(jié)省存儲(chǔ)空間；與此同時(shí)，圖

2、像又不可避免地受到噪聲污染，這就要求尋求一種方法，如何不受噪聲影響地來(lái)表征信號(hào)。而且，在我們接收到圖像數(shù)據(jù)后，為的是挖掘里面的信息，進(jìn)一步地去理解圖像，這就要求進(jìn)行圖像的識(shí)別與分類，如何高效地識(shí)別圖像，這一問(wèn)題也亟待解決。
　　基于上述的三個(gè)問(wèn)題，本文面向圖像的稀疏表示及字典學(xué)習(xí)算法，借鑒時(shí)下流行的深度學(xué)習(xí)算法思想，融入自動(dòng)編碼器“重構(gòu)”的理念，采用時(shí)效性更高、參數(shù)調(diào)節(jié)少的極限學(xué)習(xí)機(jī)算法，實(shí)現(xiàn)了圖像的識(shí)別與分類。
　　本文的

3、主要工作如下：
　　（1）本文提到的基于自編碼的深度極限學(xué)習(xí)機(jī)，可以作為一種新的特征表示方法。并且應(yīng)用這種方法，不僅可以提取到更高級(jí)別的圖像表征，更重要的是，在這一過(guò)程中，我們?nèi)サ袅嗽瓐D像中的噪聲；
　?。?）基于上述方法，我們用更高級(jí)別的圖像特征表示取代原圖像，將“去噪”后的圖像作為傳統(tǒng)的 K-SVD算法的輸入，提高了該算法的效率與準(zhǔn)確率，而且在字典學(xué)習(xí)過(guò)程中，通過(guò)訓(xùn)練可以得到“去噪”的字典，而這一字典對(duì)K-SVD算法和字