加权表示分类方法研究

发布时间：2021-08-24 07:12

　　随着互联网的飞速发展,模式识别在这个人工智能时代里占据着重要的地位,基于表示的分类（RBC）在近些年成为一种发展前景可观的模式识别分类方法,其中,基于7)₁范数编码的稀疏表示因其独特的稀疏性广受学者的青睐,基于7)₂范数编码的协作表示因其具有封闭形式的解降低了计算量而引起广泛关注。本文研究基于7)₁范数编码和7)₂范数编码的表示分类进行深化研究,并同时考虑局部性约束,进一步引入自适应加权,提出了几种新颖的加权表示方法以提高模式识别的分类性能。本文就改进的加权表示分类方法进行下述的研究工作:（1）考虑LRM中数据的局部性,提出加权两阶段线性重构测度的分类（Weighted Two-Phase Linear Reconstruction Measure-based Classification,WTPLRMC）算法。在WTPLRMC中,第一阶段通过LRM从所有训练样本中确定代表性训练样本,第二阶段使用数据的局部性约束第一阶段中所选代表性训练样本的线性重构系数,这可以通过两个样本之间的相似权重来反映每个测... 

【文章来源】：江苏大学江苏省

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

加权两阶段增强线性重构测度分类方法思维导图

22择个图像样本作为训练样本，其余的作为测试样本。(a)Yale(b)IMM(c)ORL(d)LFW(e)GT图3.2从每个数据库中选择的一个人的人脸图像的示例(a)IMM(l=2)(b)IMM(l=3)(c)Yale(l=3)(d)Yale(l=7)图3.3TPLRMC和WTPLRMC随一阶段所选样本比例变化结果图

TPLRMC和WTPLRMC的分类结果图


本文编号：3359533