标记分布学习特征重构及其情感识别应用研究

发布时间：2020-07-19 18:03

【摘要】：标记分布学习作为多标记学习的拓展研究,已成为当今机器学习的热门之一。在实际生活中,为了更好的研究标记分布学习,往往需要搜集大量样本数据。然而获得大量样本数据的同时会带来某些样本之间的相似度过高,采集样本中可能会存在噪声干扰等问题。因此如何约简冗余样本,回避样本噪声干扰,对提高标记分布学习分类精度至关重要。传统多标记学习中对此类问题研究颇多,然而少有学者拓展研究至标记分布学习,基于此,本文针对这两个问题提出两种处理算法,主要内容如下:(1)现有标记分布学习算法均直接利用条件概率建立参数模型,大多数未充分考虑样本之间的联系。基于此,引入谱聚类算法,通过样本之间相似性关系将聚类问题转化为图的全局最优划分问题,进而提出一种结合谱聚类的标记分布学习算法SC-LDL(Label Distribution Learning with Spectral Clustering)。首先计算样本相似度矩阵,然后对矩阵进行拉普拉斯变换,构造特征向量空间,最后通过K-means算法对数据进行聚类建立参数模型,预测未知样本的标记分布。与现有算法在多个数据集上的实验表明,本算法优于多个对比算法,统计假设检验进一步说明算法的有效性和优越性。(2)目前大部分标记分布学习算法均在具有完整信息数据下设计,未考虑数据中存在噪声情况。为此,结合自编码器的降噪特性和核极限学习机的稳定性,在数据集中人为增加高斯噪声,提出一种基于核极限学习机自编码器的标记分布学习算法AKELM-LDL(Label Distribution Learning Algorithm based on Kernel Extreme Learning Machine with Self-Encoder)。本文使用核极限学习机自编码器对原始特征空间映射,得到更具鲁棒性的特征表达,之后构造适应标记分布学习的极限学习机模型作为分类器以提升分类效率及性能。在与多个LDL算法实验结果中表明,本文算法较其他对比算法具有一定优势,使用假设检验方法进一步说明所提算法的有效性。标记分布学习相较于传统多标记学习更贴近真实世界,为了进一步研究,本文构造了一种人脸情感识别模型ER-LDL(Label Distribution Learning with Emotion Recognition)。通过LBP提取二维人脸样本特征,构造情绪分布。然后使用KELM分类器预测情绪分布。通过实验研究表明,构造的情绪分布更符合人类对情感判断方式,说明标记分布学习是更贴近真实世界的一种学习方式。
【学位授予单位】：安庆师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：C81
【图文】：

风景,蓬勃发展,计算机技术

然而在该风景图图中，这五个标记所行人占比很少等问题。针对这类实例，GDistribution Learning, LDL)[4]。同时由该实习的一种拓展学习框架，因此传统多标记学进行研究，例如样本数据过多会出现的样本误、缺少信息等数据噪声干扰问题。近年来，随着大数据时代的冲击，越来中挖掘有效信息成为当今时代的挑战性问题实际研究中，为了获取更高精度的预测标记而样本数据过多，数据分析中常见的存在冗学者针对此类问题研究展开了大量研究。然此类问题。因此研究在标记分布学习中存在如何提升训练数据特征的鲁棒性，增加算法时采用数据统计分析方法对算法实验评价指说明算法的稳定及有效性。0.4

算子,圆形区域,旋转不变,图像

图 5. 2 几种改进的圆形区域 LBP 算子但是，一旦图像发生旋转，LBP 算子又会发生改变。为了保证旋转不变，T.Ojala又引入了新的定义，将之前提出的的圆形区域进行不断旋转的操作，即可得到许多 LBP算子，这些 LBP 算子可以使用原始定义进行计算，取其中最小值作为最终 LBP 算子，这样就保证了 LBP 算子的旋转不变特性，如图 5.3 所示，多次旋转之后得出最终 LBP算子。

算子,二进制模式,旋转不变性,旋转不变

【参考文献】