

版權(quán)說(shuō)明:本文檔由用戶(hù)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、傳統(tǒng)模式識(shí)別領(lǐng)域包含兩個(gè)重要的研究主題,即無(wú)監(jiān)督型聚類(lèi)和監(jiān)督型分類(lèi)。無(wú)監(jiān)督型聚類(lèi)旨在利用樣本間的相似性,把具有相同特性的樣本分到同一個(gè)具有某種意義的簇中,從而發(fā)現(xiàn)樣本的潛在分布結(jié)構(gòu),更好地理解和分析數(shù)據(jù);監(jiān)督型分類(lèi)旨在根據(jù)給定的數(shù)據(jù)及其類(lèi)標(biāo)號(hào)設(shè)計(jì)出類(lèi)判別函數(shù),從而能對(duì)未知樣本的類(lèi)別做出正確的預(yù)測(cè)。
本文工作包含兩個(gè)部分,其第一部分集中在當(dāng)樣本無(wú)類(lèi)信息給定時(shí),力圖設(shè)計(jì)出快速且魯棒的無(wú)監(jiān)督型聚類(lèi)算法,使其能有效應(yīng)用于圖像分割。
2、而第二部分則集中在當(dāng)樣本有類(lèi)信息給定時(shí),力圖設(shè)計(jì)出既能揭示數(shù)據(jù)的結(jié)構(gòu)分布又能有效預(yù)測(cè)樣本類(lèi)別歸屬的算法。本文的創(chuàng)新性成果主要包括:
1、提出了一種快速且魯棒的圖像分割框架。該框架具有兩個(gè)顯著的特點(diǎn):(1)通過(guò)融合圖像的灰度信息和空間信息設(shè)計(jì)出相似性度量,并利用該度量達(dá)到去除圖像噪聲和保留圖像細(xì)節(jié)的雙重目的;(2)采用快速分割的思想使分割過(guò)程僅與圖像的灰度級(jí)個(gè)數(shù)Q有關(guān),而與像素個(gè)數(shù)(N>>Q)無(wú)關(guān),從而大大減小分割時(shí)間的復(fù)雜
3、度。利用模糊C均值和高斯混合模型驗(yàn)證了該框架的可行性和有效性。
2、設(shè)計(jì)了一種魯棒的模糊關(guān)系分類(lèi)器。該分類(lèi)器不僅能揭示數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和決策數(shù)據(jù)的類(lèi)別歸屬,而且能進(jìn)一步利用聚類(lèi)結(jié)構(gòu)和類(lèi)別之間的邏輯關(guān)系來(lái)幫助理解分類(lèi)結(jié)果。由于該方法能有效地處理含有野值點(diǎn)的數(shù)據(jù)和含有非球狀結(jié)構(gòu)的數(shù)據(jù),因此具有較強(qiáng)的魯棒性和較好的適用性。
3、設(shè)計(jì)了一種簡(jiǎn)單且有效的增強(qiáng)型模糊關(guān)系分類(lèi)器。該分類(lèi)器根據(jù)樣本的聚類(lèi)隸屬度,選擇部分具有代表
4、性的樣本來(lái)構(gòu)造聚類(lèi)與類(lèi)別之間的邏輯關(guān)系,達(dá)到提高分類(lèi)器魯棒性、有效性和減小算法時(shí)間復(fù)雜性的目的。
4、設(shè)計(jì)了一個(gè)單目標(biāo)同時(shí)聚類(lèi)和分類(lèi)學(xué)習(xí)框架SCC。SCC可同時(shí)完成以下三個(gè)工作:(1)監(jiān)督型魯棒的聚類(lèi)學(xué)習(xí);(2)有效的分類(lèi)學(xué)習(xí)及其結(jié)果的解釋和分析;(3)聚類(lèi)和類(lèi)別間潛在關(guān)系的顯式揭示。在SCC的基礎(chǔ)上,進(jìn)一步提出了多目標(biāo)同時(shí)聚類(lèi)和分類(lèi)學(xué)習(xí)框架MSCC。與SCC相比,MSCC有以下兩個(gè)顯著優(yōu)勢(shì):(1)用多目標(biāo)形式刻畫(huà)聚類(lèi)和分
5、類(lèi)問(wèn)題,達(dá)到去除SCC中參數(shù)β的目的;(2)MSCC擴(kuò)大了SCC的解空間,因而可以獲得更優(yōu)的分類(lèi)和聚類(lèi)性能。
5、設(shè)計(jì)了一個(gè)同時(shí)實(shí)現(xiàn)聚類(lèi)學(xué)習(xí)、分類(lèi)學(xué)習(xí)和度量學(xué)習(xí)的一般框架。這里的0度量學(xué)習(xí)可以等價(jià)為特征權(quán)值的學(xué)習(xí)。因此,該框架可同時(shí)達(dá)成如下四個(gè)目標(biāo):(1)學(xué)習(xí)出有效的特征權(quán)值來(lái)反映特征的重要程度;(2)在線(xiàn)性變換后的特征空間中,實(shí)現(xiàn)有效的聚類(lèi)學(xué)習(xí);(3)基于新空間中的聚類(lèi)結(jié)構(gòu),設(shè)計(jì)出有效的分類(lèi)策略;(4)揭示出新空間中的聚
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)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(hù)所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)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(hù)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
- 基于聚類(lèi)的圖像分類(lèi)和分割算法.pdf
- 基于PCNN聚類(lèi)和分類(lèi)的圖像紋理特征提取與分割研究.pdf
- 基于譜聚類(lèi)和字典學(xué)習(xí)的圖像分割.pdf
- 基于聚類(lèi)的圖像分割方法研究.pdf
- 基于聚類(lèi)的圖像分割算法研究.pdf
- 基于聚類(lèi)算法的圖像分割.pdf
- 基于聚類(lèi)的圖像分割算法研究(1)
- 基于聚類(lèi)技術(shù)的圖像分割算法研究.pdf
- 基于聚類(lèi)的圖像目標(biāo)分割方法研究.pdf
- 基于模糊譜聚類(lèi)的圖像分割研究.pdf
- 基于模糊聚類(lèi)算法的圖像分割研究.pdf
- 基于閾值和聚類(lèi)的彩色圖像分割方法研究.pdf
- 基于模糊聚類(lèi)的圖像分割方法的研究.pdf
- 基于鄰域信息和模糊聚類(lèi)的圖像分割算法研究.pdf
- 基于聚類(lèi)和區(qū)域合并的彩色圖像分割算法研究.pdf
- 基于遺傳聚類(lèi)的彩色圖像分割.pdf
- 基于模糊聚類(lèi)的醫(yī)學(xué)圖像分割算法研究及設(shè)計(jì).pdf
- 基于模糊聚類(lèi)的圖像分割技術(shù)研究.pdf
- 基于半監(jiān)督聚類(lèi)的圖像分割算法研究.pdf
- 基于模糊聚類(lèi)算法的圖像分割問(wèn)題研究.pdf
評(píng)論
0/150
提交評(píng)論