多视图构建模型研究

发布时间：2023-02-05 16:15

　　随着科技的不断进步以及计算机性能的不断提升,人工智能得到前所未有的发展,并渗透到生活的方方面面。每天人们的衣食住行,社会各行各业的正常运转,都会产生海量的数据,如何充分利用这些数据,发掘潜在价值,成为机器学习的首要任务。随着数据采集技术的发展,我们可获得的数据越来越丰富,同时也越来越复杂,不免存在一些数据,它们通过不同的方式表达,我们称之为多视图数据,多视图学习技术应用而生。多视图数据具有两个基本性质,即互补性和一致性,它可为后续的机器学习任务提供更加丰富的信息。但在数据采集过程中,我们可能无法获取到数据的多个视图,或者存在获得的多视图数据不完整等现象,如何根据已有单视图数据构建多个视图或者利用已有多视图数据构建视图,成为值得研究的话题。在实际应用中,存在一些数据具有样本数量少维度高的特点,传统的机器学习方法难以很好地学习其中的知识。通过降维算法可以提取重要特征,但同时也损失了一些信息。本文提出一种基于特征分割的多视图构建模型(FP_MvCM),将传统的降维方法与多视图学习技术相结合,在摒除冗余信息的同时,尽可能地保留丰富的信息。在构建多视图数据的过程中,提出一种多...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 多视图学习研究现状
        1.2.2 生成模型研究现状
        1.2.3 多视图构建算法研究现状
    1.3 本文研究的主要内容及章节安排
        1.3.1 本论文研究内容
        1.3.2 本论文章节安排
第2章 相关技术介绍
    2.1 多视图数据的基本性质
    2.2 高维数据传统降维算法
        2.2.1 特征提取方法概述
        2.2.2 特征选择方法概述
    2.3 多视图表示学习概述
    2.4 多视图卷积神经网络
    2.5 本章小结
第3章 基于特征分割的多视图构建模型
    3.1 多种特征选择算法
        3.1.1 Laplacian Score算法
        3.1.2 SPEC特征选择
        3.1.3 Multi-clustering特征选择
    3.2 多视图质量评价方法
        3.2.1 希尔伯特-施密特独立性标准
        3.2.2 协同正则化
    3.3 多视图构建模型设计思路
    3.4 本章小结
第4章 基于自编码网络的多视图构建模型
    4.1 自编码网络
    4.2 卷积神经网络
        4.2.1 卷积操作
        4.2.2 池化操作
        4.2.3 Padding规则
        4.2.4 反卷积
        4.2.5 反池化
    4.3 Unet网络
    4.4 基于自编码网络的视图构建模型
    4.5 本章小结
第5章 实验结果分析
    5.1 基于特征分割的多视图构建模型实验介绍
        5.1.1 实验数据集介绍
        5.1.2 多视图质量评价指标
        5.1.3 FP_MvCM模型实验结果分析
    5.2 基于自编码网络的多视图构建模型实验介绍
        5.2.1 实验数据集介绍
        5.2.2 图像质量评价指标
        5.2.3 MvAEM模型实验结果分析
    5.3 本章小结
第6章 总结与展望
致谢
参考文献
攻读硕士学位期间发表的论文及科研成果



本文编号：3735282