版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、模式識(shí)別作為一門多領(lǐng)域交叉的學(xué)科,在近幾十年得到了蓬勃發(fā)展。它不僅得到了眾多科研人員的熱情研究,而且受到了各級(jí)政府和組織的重視。世界上許多國(guó)家和地區(qū)的國(guó)防、公共安全部門以及工業(yè)界都積極投資模式識(shí)別技術(shù)的研究。其發(fā)展將對(duì)科技進(jìn)步、國(guó)防、公共安全、工業(yè)制造、人民生活等水平產(chǎn)生深遠(yuǎn)影響。 本文以統(tǒng)計(jì)理論和圖譜方法為基礎(chǔ),重點(diǎn)研究模式識(shí)別中的聚類和降維這兩方面的內(nèi)容:(i)在聚類中,結(jié)合圖像分割,對(duì)有限混合模型的參數(shù)估計(jì)方法進(jìn)行了較為深
2、入的研究;(ii)在降維中,結(jié)合圖像識(shí)別,研究了保局投影及其二維和線性混合的擴(kuò)展。本文研究的主要內(nèi)容及創(chuàng)新如下: 研究多元t-密度的有限混合模型的參數(shù)估計(jì)方法,構(gòu)建了多元t-混合模型的SMEM算法。t-密度尾部較重,抗噪性能好,是替代高斯密度的標(biāo)準(zhǔn)選擇。EM算法是求解混合密度的參數(shù)估計(jì)的常用算法。而常規(guī)的EM算法經(jīng)常收斂到局部最優(yōu)而非全局最優(yōu)。我們采用了把分量進(jìn)行分裂合并,使參數(shù)跳出局部最優(yōu)來尋找全局最優(yōu)的思想,構(gòu)建了多元t-混
3、合模型的SMEM算法,并且提出了一個(gè)基于樣本均值和方差的分裂合并準(zhǔn)則。實(shí)驗(yàn)驗(yàn)證了我們的算法性能良好。 根據(jù)局部Kullback散度,構(gòu)建了多元t-混合模型的貪婪EM算法的框架。從一個(gè)混合分量開始,逐個(gè)地分裂擬合最差的分量并用EM算法修正各分量的參數(shù)。相對(duì)于SMEM算法,貪婪EM算法具有它的優(yōu)勢(shì):易于參數(shù)初始化、速度快且性能相當(dāng)、產(chǎn)生的混合模型序列便于模型選擇。實(shí)驗(yàn)驗(yàn)證了貪婪EM算法的速度快且性能和SMEM算法相當(dāng)。 研究
4、保局投影(LPP)及其低樣本量時(shí)的解法,提出LPP/QR算法。LPP能夠保持?jǐn)?shù)據(jù)的局部信息且能發(fā)現(xiàn)數(shù)據(jù)流形的內(nèi)在結(jié)構(gòu)。但對(duì)小樣本情形,矩陣存在奇異性,LPP無法直接使用。我們提出基于QR分解的保局投影(LPP/QR)算法。此算法對(duì)于出現(xiàn)樣本不足情形時(shí),在計(jì)算上尤其有效。我們推導(dǎo)了LPP/QR算法理論上的合理性,證明了LPP/QR算法和廣義LPP之間的等價(jià)性,并且指出了前者更為有效。實(shí)驗(yàn)顯示了LPP/QR算法在小樣本情形下的優(yōu)勢(shì)。
5、 直接利用圖像矩陣進(jìn)行運(yùn)算,提出二維保局投影(2D-LPP)算法。在對(duì)圖像數(shù)據(jù)進(jìn)行降維時(shí),LPP需要預(yù)先把圖像拉直成向量,而本算法直接在圖像的二維矩陣上運(yùn)算。既避免了矩陣奇異性,又加快了計(jì)算速度。通過一些數(shù)學(xué)推導(dǎo),我們得出了2D-LPP和另兩個(gè)二維方法(2D-PCA與2D-LDA)之間的密切聯(lián)系。實(shí)驗(yàn)顯示了2D-LPP具有較高的識(shí)別能力,且比LPP的運(yùn)算速度快。2D-LPP+PCA算法進(jìn)一步降低特征的維數(shù),試驗(yàn)顯示了在降低的特征維數(shù)相同
6、的情況下,2D-LPP+PCA算法識(shí)別率高。 同步對(duì)圖像矩陣的行和列進(jìn)行降維,提出雙向二維保局投影(B2DLPP)算法。B2DLPP同步壓縮圖像的行和列,并保持原圖像間的局部近鄰關(guān)系。用于表示和識(shí)別圖像所需要的系數(shù)個(gè)數(shù)得到大大減少。我們通過迭代計(jì)算的方法求出左右投影矩陣,并且證明了迭代算法的收斂性。實(shí)驗(yàn)顯示了迭代收斂快。所取得的識(shí)別率與2D-LPP相當(dāng),但所需的系數(shù)個(gè)數(shù)減少很多。 提出保局投影混合模型(LPP混合)算法。
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于t混合模型的醫(yī)學(xué)圖像聚類研究.pdf
- 基于成對(duì)約束的聚類和降維算法研究.pdf
- 高維數(shù)據(jù)的降維及聚類方法研究.pdf
- 基于模糊Fisher準(zhǔn)則的聚類與特征降維研究.pdf
- 基于混合模型的聚類算法研究.pdf
- 高維數(shù)據(jù)投影聚類算法的研究.pdf
- 半監(jiān)督的聚類和降維研究及應(yīng)用.pdf
- 基于免疫遺傳算法的聚類與特征降維研究.pdf
- 基于核的混合聚類模型的研究.pdf
- 基于隨機(jī)投影和譜聚類的SAR圖像地物分割方法研究.pdf
- 基于擴(kuò)展依賴關(guān)系模型的Java軟件聚類研究.pdf
- 基于聚類的混合基因選擇方法研究.pdf
- 基于物理模型的聚類方法研究.pdf
- 商業(yè)數(shù)據(jù)流降維方法及其聚類算法研究.pdf
- 三維CAD模型聚類與檢索方法研究.pdf
- 基于高斯混合模型的參數(shù)遷移聚類.pdf
- 基于特征降維與模糊聚類的自適應(yīng)點(diǎn)云壓縮研究.pdf
- 高斯混合模型聚類
- 基于隨機(jī)投影的場(chǎng)景文本圖像聚類方法研究.pdf
- 基于高斯混合密度模型的醫(yī)學(xué)圖像聚類研究.pdf
評(píng)論
0/150
提交評(píng)論