基于结构平衡的复杂网络图像识别新方法研究

发布时间：2021-12-17 00:46

　　图像识别是实现智能技术的重要手段之一,广泛应用于金融、交通以及人工智能等领域。图像特征提取对识别效果有至关重要的作用,国内外学者都对特征提取提出了许多方法,主要有基于几何特征的图像识别方法、基于全局特征的图像识别方法、基于人工设计特征的图像识别方法、基于卷积神经网络的图像识别方法等。这些方法在图像发生旋转、平移时,识别的正确率都会受到不同程度的影响。因此,提出一种不依赖于像素点位置和顺序的方法具有重要的工程实践意义。在过去十几年来,复杂网络方法在图像识别领域已经取得许多研究成果。复杂网络基于图论构造模型,将像素点抽象为网络节点,提取网络的拓扑度量参量作为图像识别的特征。现有的复杂网络图像识别方法表明,以像素点作为节点,对灰度图像建立复杂网络模型,模型的拓扑参量不依赖于节点的顺序和位置。但是,复杂网络图像识别方法的缺点是网络节点规模大、建模困难,网络复杂度高,由此造成拓扑特征参量提取运算时间长。因此,本文在现有的复杂网络图像识别方法的基础上,提出基于结构平衡的复杂网络图像识别方法。该方法以像素点作为节点,先通过灰度乘积构建节点间的连接关系生成初始网络,然后再通过Hadamard变换模板映... 

【文章来源】：广东工业大学广东省

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

随机图网络模型

广东工业大学硕士学位论文8图2-2随机图网络模型Fig.2-2Randomnetworkmodel（3）小世界网络Watts和Strogatz引入“小世界”网络这一概念[44]，并提出一种规则网到随机网络的演化算法。首先，网络的节点以环状排列，将每个节点与它距离k/2的节点相连（k是已知的偶数）；继而，将每条边的其中一个节点以随机概率p与其他节点连接；最后，通过调节节点间生连接边的概率p可以实现从规则网络到随机网络的演化。其中，节点间具有连接边的概率为p0时，所生成的网络是规则网络；节点间具有连接边的概率为p1.0时，所生成的网络是随机网络；节点间具有连接边的概率为0p1.0，所生成的网络是小世界网络。小世界网络模型的平均路径较短，有较高的聚类系数。规则网络到随机网络演化过程如图2-3所示。p0p1图2-3小世界网络模型Fig.2-3Smallworldnetworkmodel2.1.2加权网络概述加权网络是复杂网络的主要研究对象之一[42]。相较于无权网络只考虑节点间连与不连的拓扑关系，加权网络利用连接边的权值给出网络中节点间的连接关系，节点的连接权值能很好地描述节点间的作用强度。加权网络应用于很多现实网络中，如英特网中的连接边的权值表示数据流量或者带宽，食物网的捕食者与被捕食者的

制能量的流动[45]，社交网络用权值表示演员间的相互联系的频率，神经网络中不同神经元间的连接表示传送的电信号强弱。加权网络的权值通常是非负数，当连接权值为0时候，表示节点间没有连接关系，当连接权值为正数时，节点间具有正连接关系。但并没有相应的理论证明加权网络的权值不能为负数。在社会网络中，用正权值表示代表积极、友好的关系，用负号表示消极、敌对的关系。尤其是在结构平衡网络中，连接权值并不都是正数。在加权网络中，一般用连接矩阵表示网络的连接权值。具有三个节点的无向加权网络，及其连接矩阵A，如图2-4所示。连接矩阵A表示节点i和节点j的连接权值是2，节点i和节点k的连接权值是1，节点j和节点k的连接权值是0.5。图2-4三个节点的加权网络及其连接矩阵Fig.2-4weightednetworkofthreenodesanditsconnectionmatrix2.2结构平衡网络概述1946年美国社会心理学家FritzHeider基于单个个体之间的关联提出结构平衡三角形模型，引入符号网络表示网路的结构平衡状态并提平衡理论[46]。1956年Harary和Carwrigt利用图论的思想对群体进行研究，将结构平衡扩展至一般符号网络并建立相应的结构平衡网络模型[47]，奠定了结构平衡理论的研究基矗而后，许多学者开始了对结构平衡理论的研究。2005年，Kulakowski又将Heider结构平衡理论扩展至实数加权网络[48]。2018年，一位研究学者发现大型的复杂网络系统中，节点和连接关系会随时间通过耦合关系使得网络结构发生动态演化，最终节点子系统和连接关系子系统趋于平衡状态[49]。在结构平衡网络中，节点间的正号（+）连接关系表示节点间积极、友好的关系，负号（-）表示两节点间消极、敌对的关系。网络是否具有结构平衡与节点间的连接关系密切相关。经典的结构平衡三角形如图2-5所示。

【参考文献】：
期刊论文
[1]基于cvtree方法和复杂网络理论的癌症进化树分析[J]. 沈路明,韦芳萍.  基因组学与应用生物学. 2014(02)
[2]开集人脸识别中的性能评估系统[J]. 梁亦聪,丁晓青,方驰.  模式识别与人工智能. 2014(04)
[3]加权网络的常用统计量[J]. 姚尊强,尚可可,许小可.  上海理工大学学报. 2012(01)
[4]基于复杂网络特性的带钢表面缺陷识别[J]. 任海鹏,马展峰.  自动化学报. 2011(11)
[5]复杂网络初探[J]. 吴今培.  五邑大学学报(自然科学版). 2010(02)
[6]一种改进的Harris角点检测算法[J]. 龚平,刘相滨,周鹏.  计算机工程与应用. 2010(11)
[7]基于颜色-空间特征的图像检索[J]. 王涛,胡事民,孙家广.  软件学报. 2002(10)

博士论文
[1]基于统计推理的复杂网络社区结构分析[D]. 陈毅.哈尔滨工业大学 2016
[2]基于复杂网络的图像目标识别方法研究[D]. 汤晓.广东工业大学 2013
[3]复杂网络理论和细胞自动机在生物信息学中的应用研究[D]. 刁元波.四川大学 2007

硕士论文
[1]基于轮廓形状和复杂网络的图像识别新方法[D]. 何苏利.广东工业大学 2016
[2]基于机器学习的社交网络用户特征分析[D]. 陈玉英.北京交通大学 2015
[3]分形理论在复杂网络研究中的应用[D]. 张明君.青岛大学 2008



本文编号：3539101