基于稀疏表示重构残差的集成学习算法的研究

发布时间：2019-11-06 23:06

【摘要】：机器学习技术在IT领域特别是大数据处理中具有重要作用。机器学习技术通过对已有数据的学习不断进化分类器,提高对新数据的分类能力。稀疏表示与集成学习能够有效的解决图像分类问题。稀疏表示分类器通常是通过计算原始数据的重构残差的l2范数进行有效分类。在复杂情况下,分类器判别的错误可能是由于原始数据对各类所产生的残差向量的l2范数并不存在明显的差别。集成学习分类器具有分类准确性高、分类性能稳定的优点。集成分类器的分类性能不仅取决于基分类器,还取决于训练样本集。本文提出了稀疏表示重构残差的模型,用残差作为分类的特征,研究多分类器集成的分类方法。采用稀疏表示重构残差有效的解决了信号稀疏表示的不稳定性。信号的稀疏表示重构残差集作为集成学习器的输入样本集,提高了集成分类器的分类正确率。用MNIST数据库数据进行了仿真研究,结果表明用残差特征进行分类的正确性优于其他方法,并且能够很好的识别部分遮蔽的图像。此外,在小训练样本集上,同样具有较好分类效果。稀疏表示的稀疏性与字典学习技术密切相关。通常所采用过完备字典不能对样本进行合适的稀疏表示。本文通过在过完备字典中加入KSVD算法达到对稀疏表示重构残差的分类学习方法的进一步优化。KSVD算法是目前主流的一种字典优化算法,实验表明,在稀疏表示字典的生成中加入KSVD算法,分类性能得到的进一步的提升。
【学位授予单位】：南京大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.41;TP181

【参考文献】

相关期刊论文 前10条

1 张润;王永滨;;机器学习及其算法和发展研究[J];中国传媒大学学报(自然科学版);2016年02期

2 吕高焕;吕文涛;;基于训练字典优化测量矩阵的SAR图像压缩算法[J];太赫兹科学与电子信息学报;2015年06期

3 朱军;胡文波;;贝叶斯机器学习前沿进展综述[J];计算机研究与发展;2015年01期

4 熊承义;汪淑贤;高志荣;;基于字典优化的稀疏表示人脸识别[J];中南民族大学学报(自然科学版);2014年02期

5 张立朝;毕笃彦;查宇飞;黄宏图;孙超;;基于二值随机森林的目标跟踪算法[J];计算机应用研究;2014年05期

6 徐文强;高以成;周煜坤;;基于稀疏表示的多尺度目标跟踪算法[J];计算机应用;2013年S2期

7 李欣海;;随机森林模型在分类与回归分析中的应用[J];应用昆虫学报;2013年04期

8 史郡;王晓华;;基于改进K-SVD字典学习的超分辨率图像重构[J];电子学报;2013年05期

9 宋相法;焦李成;;基于稀疏编码和集成学习的多示例多标记图像分类方法[J];电子与信息学报;2013年03期

10 陈波;詹永照;成科扬;;基于字典优化的稀疏表示的视频镜头分类[J];计算机应用研究;2012年06期

，

本文编号：2556964