非線性核自適應(yīng)學(xué)習(xí)的圖像分類算法研究.pdf

1、核學(xué)習(xí)方法是機器學(xué)習(xí)研究領(lǐng)域的重要研究分支，已經(jīng)有大量理論和實際應(yīng)用研究的成果，廣泛用于圖像與信號處理、數(shù)據(jù)挖掘等研究領(lǐng)域。利用核學(xué)習(xí)方法在一定程度上解決了實際應(yīng)用中的非線性問題，大大提高了實際系統(tǒng)的識別率性能、預(yù)測精度等性能指標(biāo)。然而，核學(xué)習(xí)方法仍然面臨著核函數(shù)及其參數(shù)的選擇問題。本論文旨在通過基于核自適應(yīng)學(xué)習(xí)典型算法及其在圖像分類等領(lǐng)域應(yīng)用研究，找到解決核學(xué)習(xí)面臨的核選擇問題的研究思路。
　　針對核主成分分析算法面臨的訓(xùn)練樣本

2、數(shù)量及核函數(shù)參數(shù)選擇不當(dāng)造成的計算時間和存儲空間大量消耗的問題，提出了基于1類支持向量理論的稀疏核主成分分析算法，在此基礎(chǔ)上，引入并擴展數(shù)據(jù)依賴核函數(shù)，提出了稀疏數(shù)據(jù)依賴核主成分分析算法。首先，通過求解最優(yōu)方程找到能夠代表原始樣本空間的少量典型樣本，這些樣本作為計算核數(shù)據(jù)矩陣，節(jié)省了核矩陣計算時間和存儲空間成本；其次，采用核優(yōu)化方法使核結(jié)構(gòu)根據(jù)輸入樣本數(shù)據(jù)分布自適應(yīng)調(diào)整，在有限的訓(xùn)練樣本集上最大限度提高算法性能。
　　針對基于局部

3、保持映射的流形學(xué)習(xí)算法在非線性特征提取上存在的識別率性能較低的問題，提出了基于核自適應(yīng)流形學(xué)習(xí)算法。首先，將傳統(tǒng)無監(jiān)督的局部保持映射算法擴展到監(jiān)督學(xué)習(xí)模式，利用核方法對其進行了擴展；然后，利用核自適應(yīng)優(yōu)化理論解決監(jiān)督核流形學(xué)習(xí)的核函數(shù)及參數(shù)選擇問題，有效提升算法在特征提取及分類上的性能。
　　針對傳統(tǒng)核判別分析存在的參數(shù)選擇不當(dāng)造成識別率性能較低的問題，首先在研究線性無參數(shù)判別分析器的基礎(chǔ)上，提出了無參數(shù)核判別分析算法，該方法有效

4、解決了傳統(tǒng)核判別分析參數(shù)不當(dāng)而影響分類器性能的問題。針對核函數(shù)及參數(shù)選擇問題，提出了核結(jié)構(gòu)自適應(yīng)判別分析算法并進行了仿真驗證。
　　針對光影、姿態(tài)等在實際應(yīng)用中引起的識別率下降的問題，結(jié)合Gabor小波分析，對數(shù)據(jù)進行預(yù)處理，進一步提高分類的識別率性能。
　　研究表明，核函數(shù)及參數(shù)直接影響非線性特征空間內(nèi)數(shù)據(jù)分布結(jié)構(gòu)，恰當(dāng)?shù)暮撕瘮?shù)及參數(shù)選擇可以提高核學(xué)習(xí)器性能。研究核函數(shù)及參數(shù)自適應(yīng)學(xué)習(xí)對于解決目前核學(xué)習(xí)方法廣泛面臨的核選擇