基于最小二乘关联分析框架的噪声图像分类研究
发布时间：2021-06-27 16:59
随着科学技术的飞速发展,图像数据的规模日益增长。这些数据具有繁冗、高维、非结构化等特点,以至于很难发现其中的规律与关联。为了合理地对关联性数据进行分析与处理,并且使用户能够快速地从海量数据中获取可靠、有效的低维特征信息,本文提出了基于样本惩罚和特征选择技术的最小二乘关联分析框架。主要工作内容如下:（1）提出了基于样本惩罚的最小二乘关联框架。本文将四种关联分析算法纳入到最小二乘框架,并加入样本惩罚因子以获取噪声图像数据中更好的特征。与传统的关联分析方法不同,本文提出的基于样本惩罚的最小二乘关联框架既考虑到减小重构误差,同时对样本点进行惩罚以区分不同样本点对关联分析框架的影响。在多个噪声环境下的人脸图像数据集中的实验结果表明,此方法在噪声图像分类的准确率以及抑制噪声对模型的作用方面均优于传统的关联分析方法,证实了此方法在抑制噪声对图像的影响方面的优越性能。（2）提出了结合样本惩罚与特征选择的最小二乘关联框架。所提出方法在样本空间与维度空间中实现特征与样本的选择,本文采用基于L2,1范式的特征选择技术,进一步消除由样本选择带来的相关冗余特征,解决训练过程中的过拟合问题,...
【文章来源】：江苏大学江苏省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
筛选式特征选择方法流程图
江苏大学工程硕士学位论文132.2.3嵌入式特征选择嵌入法是一种让算法自己决定使用哪些特征的方法，即特征选择和算法训练同时进行。在使用嵌入法时，需要检查机器学习的模型，迭代训练，得到不同特征的权值系数，这些权值系数往往代表了特征对于模型的某种贡献或某种重要性，比如决策树和树的集成模型中的特征重要性属性，可以列出各个特征对树的建立的贡献，从而可以基于这种贡献的评估，找出对模型建立最有用的特征[43]，同时进行排序。因此相比于筛选法，嵌入法的结果会更加精确到模型的效果本身，除此之外，由于考虑到特征对模型的贡献，因此无关的特征（需要相关性过滤的特征）和无区分度的特征（需要方差过滤的特征）都会因为缺乏对模型的贡献而被删除掉，可谓是筛选法的进化版。这种方法的流程图如图2.4所示：图2.3封装式特征选择方法流程图
基于最小二乘关联分析框架的噪声图像分类研究14在筛选式和封装式中，均使用了机器学习模型，二者的不同的是，嵌入式有自己的训练迭代方式自动地进行特征选择[44]。嵌入式选择最常用的技术是1L正则化和2L正则化，正则化项越大，模型越简单，系数越小，当正则化项增大到一定程度时，所有的特征系数都会趋于0，在这个过程中，会有一部分特征的系数先变成0，也就实现了特征选择过程。逻辑回归、线性回归、决策树]都可以当作正则化选择特征的基学习器，能够获得特征系数或者特征重要度的算法就可以作为嵌入式选择的基学习器[45]。2.3本章小结本章主要介绍了关联分析方法与特征选择相关技术内容。首先，本文叙述了现今的降维技术一共分为子空间学习方法和特征选择技术。之后进一步介绍子空间学习的几种算法。重点描述了子空间学习中的四种关联分析算法PCA、CCA、PLS和MLR。最后介绍了特征选择技术的几种分类。以上所有的方法都会在下一章节运用上述模型为对比实验做铺垫。图2.4嵌入式特征选择方法流程图
【参考文献】：
期刊论文
[1]结合视觉显著性的图像去噪优化算法[J]. 赵杰,马玉娇,刘帅奇. 计算机科学. 2018(02)
[2]一种基于差异系数的稀疏度自适应图像去噪算法[J]. 焦莉娟,王文剑. 计算机科学. 2018(02)
[3]基于EM算法的半监督局部加权PLS在线建模方法[J]. 熊伟丽,薛明晨,李妍君. 系统仿真学报. 2018(01)
[4]面向高维数据的PCA-Hubness聚类方法[J]. 葛亮,郎江涛,唐黄,唐允恒. 现代计算机(专业版). 2017(11)
[5]基于深度卷积神经网络的图像去噪研究[J]. 李传朋,秦品乐,张晋京. 计算机工程. 2017(03)
[6]浅谈数据挖掘中的关联分析[J]. 闫昱洁,宋宇辰. 科技经济市场. 2015(02)
[7]基于组件的高维数据降维方法研究[J]. 王素芳. 电脑与电信. 2012(10)
[8]特征选择方法综述[J]. 姚旭,王晓丹,张玉玺,权文. 控制与决策. 2012(02)
[9]基于稀疏表示的多标记学习算法[J]. 宋相法,焦李成. 模式识别与人工智能. 2012(01)
[10]图像关联规则挖掘研究[J]. 雷亮,汪同庆,杨波. 计算机应用研究. 2009(06)
硕士论文
[1]基于L1正则化Logistic回归模型的P2P网络贷款风险测度应用研究[D]. 吴艇帆.广州大学 2019
[2]降维技术研究及其在图像分类与识别中的应用[D]. 孙慧强.江南大学 2019
[3]基于C#.NET的远程智能管理系统设计与实现[D]. 朱涛.北京邮电大学 2015
[4]基于关联规则算法的研究与改进[D]. 邓子穗.湖南大学 2013
本文编号：3253241
【文章来源】：江苏大学江苏省
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
筛选式特征选择方法流程图
江苏大学工程硕士学位论文132.2.3嵌入式特征选择嵌入法是一种让算法自己决定使用哪些特征的方法，即特征选择和算法训练同时进行。在使用嵌入法时，需要检查机器学习的模型，迭代训练，得到不同特征的权值系数，这些权值系数往往代表了特征对于模型的某种贡献或某种重要性，比如决策树和树的集成模型中的特征重要性属性，可以列出各个特征对树的建立的贡献，从而可以基于这种贡献的评估，找出对模型建立最有用的特征[43]，同时进行排序。因此相比于筛选法，嵌入法的结果会更加精确到模型的效果本身，除此之外，由于考虑到特征对模型的贡献，因此无关的特征（需要相关性过滤的特征）和无区分度的特征（需要方差过滤的特征）都会因为缺乏对模型的贡献而被删除掉，可谓是筛选法的进化版。这种方法的流程图如图2.4所示：图2.3封装式特征选择方法流程图
基于最小二乘关联分析框架的噪声图像分类研究14在筛选式和封装式中，均使用了机器学习模型，二者的不同的是，嵌入式有自己的训练迭代方式自动地进行特征选择[44]。嵌入式选择最常用的技术是1L正则化和2L正则化，正则化项越大，模型越简单，系数越小，当正则化项增大到一定程度时，所有的特征系数都会趋于0，在这个过程中，会有一部分特征的系数先变成0，也就实现了特征选择过程。逻辑回归、线性回归、决策树]都可以当作正则化选择特征的基学习器，能够获得特征系数或者特征重要度的算法就可以作为嵌入式选择的基学习器[45]。2.3本章小结本章主要介绍了关联分析方法与特征选择相关技术内容。首先，本文叙述了现今的降维技术一共分为子空间学习方法和特征选择技术。之后进一步介绍子空间学习的几种算法。重点描述了子空间学习中的四种关联分析算法PCA、CCA、PLS和MLR。最后介绍了特征选择技术的几种分类。以上所有的方法都会在下一章节运用上述模型为对比实验做铺垫。图2.4嵌入式特征选择方法流程图
【参考文献】：
期刊论文
[1]结合视觉显著性的图像去噪优化算法[J]. 赵杰,马玉娇,刘帅奇. 计算机科学. 2018(02)
[2]一种基于差异系数的稀疏度自适应图像去噪算法[J]. 焦莉娟,王文剑. 计算机科学. 2018(02)
[3]基于EM算法的半监督局部加权PLS在线建模方法[J]. 熊伟丽,薛明晨,李妍君. 系统仿真学报. 2018(01)
[4]面向高维数据的PCA-Hubness聚类方法[J]. 葛亮,郎江涛,唐黄,唐允恒. 现代计算机(专业版). 2017(11)
[5]基于深度卷积神经网络的图像去噪研究[J]. 李传朋,秦品乐,张晋京. 计算机工程. 2017(03)
[6]浅谈数据挖掘中的关联分析[J]. 闫昱洁,宋宇辰. 科技经济市场. 2015(02)
[7]基于组件的高维数据降维方法研究[J]. 王素芳. 电脑与电信. 2012(10)
[8]特征选择方法综述[J]. 姚旭,王晓丹,张玉玺,权文. 控制与决策. 2012(02)
[9]基于稀疏表示的多标记学习算法[J]. 宋相法,焦李成. 模式识别与人工智能. 2012(01)
[10]图像关联规则挖掘研究[J]. 雷亮,汪同庆,杨波. 计算机应用研究. 2009(06)
硕士论文
[1]基于L1正则化Logistic回归模型的P2P网络贷款风险测度应用研究[D]. 吴艇帆.广州大学 2019
[2]降维技术研究及其在图像分类与识别中的应用[D]. 孙慧强.江南大学 2019
[3]基于C#.NET的远程智能管理系统设计与实现[D]. 朱涛.北京邮电大学 2015
[4]基于关联规则算法的研究与改进[D]. 邓子穗.湖南大学 2013
本文编号：3253241
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3253241.html
最近更新
教材专著
