基于深度极限学习机的K-SVD算法研究及其应用

发布时间：2017-04-06 05:08

  本文关键词：基于深度极限学习机的K-SVD算法研究及其应用，，由笔耕文化传播整理发布。

【摘要】：随着互联网和信息行业的蓬勃发展,自2012年以来,当今社会便进入了“大数据”时代,生活每天被各种各样的海量信息所包围,例如文字信息、语音信息、图像信息、视频信息等。作为信息或者数据的一种载体,图像因其所带给人们的即视感,已经成为了继文本、语音后又一存储和传递信息的常用形式,其数量正以惊人的速度增长。然而,对于图像这种本身维度就很高的数据,用来存储并传输大量图像的资源是有限的,这就要求高效地表示图像以节省存储空间;与此同时,图像又不可避免地受到噪声污染,这就要求寻求一种方法,如何不受噪声影响地来表征信号。而且,在我们接收到图像数据后,为的是挖掘里面的信息,进一步地去理解图像,这就要求进行图像的识别与分类,如何高效地识别图像,这一问题也亟待解决。基于上述的三个问题,本文面向图像的稀疏表示及字典学习算法,借鉴时下流行的深度学习算法思想,融入自动编码器“重构”的理念,采用时效性更高、参数调节少的极限学习机算法,实现了图像的识别与分类。本文的主要工作如下:(1)本文提到的基于自编码的深度极限学习机,可以作为一种新的特征表示方法。并且应用这种方法,不仅可以提取到更高级别的图像表征,更重要的是,在这一过程中,我们去掉了原图像中的噪声;(2)基于上述方法,我们用更高级别的图像特征表示取代原图像,将“去噪”后的图像作为传统的K-SVD算法的输入,提高了该算法的效率与准确率,而且在字典学习过程中,通过训练可以得到“去噪”的字典,而这一字典对K-SVD算法和字典学习都是至关重要的;(3)本文将提出的新方法应用到4个不同的数据集,且这4个数据集在各自领域都具有一定的代表性,从而充分说明了论文中所提出的方法拥有较好的泛化性能。尤其在时下流行的多特征融合的数据集上效果也较理想,其实验结果也证明改进方法对多特征融合数据有一定的处理能力。
【关键词】：图像识别 特征表示 K-SVD 自编码的深度极限学习机 去噪
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 绪论10-22
• 1.1 课题来源10
• 1.2 论文研究背景及其意义10-12
• 1.3 课题研究现状国内外及存在的问题12-19
• 1.3.1 稀疏表示理论的研究现状12-15
• 1.3.2 特征表示学习的研究现状15-19
• 1.4 论文的主要工作和结构安排19-22
• 1.4.1 论文的主要工作19
• 1.4.2 论文的结构安排19-22
• 第二章 特征表示学习理论22-32
• 2.1 深度学习理论的三种模型22-26
• 2.1.1 深信度网络23-24
• 2.1.2 卷积神经网络24-25
• 2.1.3 自动编码器25-26
• 2.2 极限学习机理论26-30
• 2.2.1 单隐层前馈神经网络与极限学习机27-28
• 2.2.2 基于自编码的深度极限学习机28-30
• 2.3 本章小结30-32
• 第三章 基于深度极限学习机的K-SVD算法改进32-40
• 3.1 目标的稀疏表示32-35
• 3.1.1K-SVD算法的基本原理32-34
• 3.1.2K-SVD算法的去噪性能34-35
• 3.2 基于深度极限学习机的K-SVD算法改进35-38
• 3.2.1DDELM-AE网络训练35-37
• 3.2.2 去噪的特征表示及去噪的字典37-38
• 3.3 本章小结38-40
• 第四章 改进的K-SVD算法在目标识别、图像分类中的应用40-56
• 4.1 手写字符识别40-46
• 4.1.1DDELM-AE隐含层层数及隐含层节点数42-43
• 4.1.2Ridge parameter43-44
• 4.1.3 实验结果44-46
• 4.2 物体识别46-49
• 4.3 人脸识别49-51
• 4.4 多特征融合的物体识别51-55
• 4.4.1 多特征融合介绍51-53
• 4.4.2 实验分析53-55
• 4.5 本章小结55-56
• 第五章 总结与展望56-58
• 5.1 总结56-57
• 5.2 展望57-58
• 参考文献58-64
• 致谢64-66
• 攻读硕士学位期间的研究成果66

【相似文献】

中国硕士学位论文全文数据库 前2条

1 成相奕;基于深度极限学习机的K-SVD算法研究及其应用[D];太原理工大学;2016年

2 薛晓霞;基于图像内容聚类和K-SVD算法的字典构造方法研究[D];东北师范大学;2013年

  本文关键词：基于深度极限学习机的K-SVD算法研究及其应用，由笔耕文化传播整理发布。

本文编号：288302