2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩63頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

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),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、目標(biāo)識別是圖像理解和計(jì)算機(jī)視覺中一個重點(diǎn)研究方向,在許多相關(guān)領(lǐng)域中有著廣泛的應(yīng)用。隨著人工智能和模式識別技術(shù)的不斷發(fā)展,基于機(jī)器學(xué)習(xí)的目標(biāo)識別技術(shù)越來越受到研究者們的重視。
  本文圍繞著機(jī)器學(xué)習(xí)方法,對目標(biāo)識別算法中的分類器設(shè)計(jì),模型構(gòu)建等問題進(jìn)行了研究。論文具體的研究內(nèi)容分為2個部分,第一,本文提出了將極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)這種求解單隱層前饋神經(jīng)網(wǎng)絡(luò)的新方法引入到基于機(jī)器學(xué)習(xí)的目

2、標(biāo)識別算法中來,并研究了極限學(xué)習(xí)機(jī)的改進(jìn)方法來解決傳統(tǒng)SVM分類器在處理高維復(fù)雜數(shù)據(jù)時的計(jì)算復(fù)雜度高,訓(xùn)練耗時等缺陷。第二,本文對當(dāng)前主流的目標(biāo)識別模型,空間金字塔模型(Spatial Pyramid Model,SPM)進(jìn)行了理論分析,研究了通過改進(jìn)視覺詞典的構(gòu)建方式來解決圖像特征向量維數(shù)過高,計(jì)算復(fù)雜度上升的缺陷。圍繞上述研究內(nèi)容,本文主要研究工作和創(chuàng)新性體現(xiàn)在以下兩個方面:
  (1)針對ELM的泛化能力和穩(wěn)定性容易受隨機(jī)給

3、定的輸入權(quán)值和隱含層偏置的影響,提出了一種基于旋轉(zhuǎn)森林選擇性集成ELM的目標(biāo)識別算法,并將其命名為RFSEN-ELM。該方法結(jié)合了旋轉(zhuǎn)森林算法(Rotation Forest,RF)和基于遺傳算法的選擇性集成模型(Selective Ensemble)。首先,利用旋轉(zhuǎn)森林算法對訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理,訓(xùn)練生成一組差異性較大的ELM基分類器集合。接著,通過選擇性集成模型對基分類器集合進(jìn)行組合篩選,其中遺傳算法在選擇性集成模型中的作用是剔除一些

4、在集成中表現(xiàn)不好的基分類器。最后,將選擇出來的基分類器進(jìn)行集成構(gòu)成RFSEN-ELM算法。實(shí)驗(yàn)結(jié)果表明,該算法的綜合性能要優(yōu)于傳統(tǒng)的SVM算法和一些其他的集成算法。
  (2)針對空間金字塔模型產(chǎn)生的圖像特征向量維數(shù)過高,內(nèi)存占用較大的缺陷,提出了一種緊湊型空間金字塔模型(Compact Spatial Pyramid Model,CSPM),該模型通過Agglomerative Information Bottleneck(AI

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空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對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, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論