自学习关联矩阵的半监督分类研究

发布时间：2020-06-20 17:57

【摘要】：近年来,图半监督学习由于其较好的分类效果引起了大多数研究人员的广泛关注,它包括构建关联矩阵和预测无标签样本的标签两个步骤,成对样本之间的关联可有效地预测无标签样本的标签。基于此思想,本文提出了两种自学习关联矩阵的半监督分类方法。本硕士论文具体研究内容与贡献归纳如下:(1)提出基于_1范数自学习关联矩阵的半监督分类方法,具体思想为:将样本的稀疏自表示问题和拉普拉斯正则化最小二乘分类器有效地融合在一起,建立了自学的拉普拉斯正则化最小二乘(Self-taught Laplacian Regularized Least Square,ST-LapRLS)模型。在学习的过程中可实现样本关联矩阵和拉普拉斯正则化最小二乘分类器的同时优化及相互改善。我们方法的有效性在真实数据集上得到充分验证。(2)基于前面的工作,提出了基于核范数自学习关联矩阵的半监督分类方法。此方法通过拉普拉斯正则化最小二乘分类器获得的软标签更适用于半监督流形假设。该方法在四个人脸数据集上表现出较好的分类性能。
【学位授予单位】：温州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP181
【图文】：

找出最小权重和的边集并将“源”到“阱学习的目的。这个过程可由 Max-flow 算法来实现与“阱”相连的数据来获得，正例通过标明所有图 2-1 所示。数学表述为：2 2}1 , 11( ( )) ( ( ) ( )) .2l l ui i ij i ji i jy f x w f x f x+ + 1,1} 样本数据ix 的真实标注值。第一项为损失函进行惩罚，其中无穷大权重使得估计样本数据，其中iy 和 ( )if x 分别为样本数据ix 的真实标签失函数21( ( )) 0li ii y f x，否则等于 。其次具有相似的类别标签，促使图上节点的标签尽可

个像素的灰度值均在 0 和 255 之间。其部分图像示例如图 3-1图 3-1 ORL 人脸数据集部分图像示例Figure 3-1 ORLface dataset partial image example脸数据集总共 165 幅图像，包含 15 人，每人 11 幅图像，这照和姿势的变化，将所有图像归一化为 32×32 像素，每个像0 和 255 之间。其部分图像示例如图 3-2 所示。第三章 基于1范数自学习关联矩阵的半监督分类

【相似文献】

相关期刊论文 前10条

1 程希平;遥感数字图像的比值处理及其在监督分类中的应用[J];地球科学;1988年01期

2 尚耐丽;王骁力;沈濵霄;卢玉领;马晓普;兰义华;;半监督分类方法的研究[J];计算机应用与软件;2015年11期

3 单中南;翁小清;马超红;;基于2DSVD的多变量时间序列半监督分类[J];计算机系统应用;2019年11期

4 熊彪;江万寿;李乐林;;基于高斯混合模型的遥感影像半监督分类[J];武汉大学学报(信息科学版);2011年01期

5 宋爽;李宏伟;;图像监督分类[J];电脑编程技巧与维护;2007年01期

6 丁莉莉;安瓦尔·买买提明;;基于半监督分类乌鲁木齐市城镇用地格局演变分析[J];新疆师范大学学报(自然科学版);2016年03期

7 赵建华;;一种基于交叉验证思想的半监督分类方法[J];西南科技大学学报;2014年01期

8 罗琴;田铮;;高光谱图像无监督分类的非线性特征提取器[J];宇航学报;2007年05期

9 张森;马迪;王滔;邱海英;董彬;;基于监督分类的土地利用遥感影像提取方法研究——以武汉市为例[J];绿色科技;2018年14期

10 巢宁佳;;遥感影像监督分类[J];江西测绘;2007年04期

相关会议论文 前10条

1 王强;孙洪;;基于支持向量机的多极化SAR图像监督分类[A];第十二届全国信号处理学术年会（CCSP-2005）论文集[C];2005年

2 杨丽娜;杨允凌;郝巨飞;李智峰;;基于HJ-B的遥感图像监督分类方法的比较研究——以监测2011-2012年度邢台市冬小麦种植面积为例[A];S10 气象与现代农业发展[C];2012年

3 陈芸芝;陈崇成;汪小钦;凌飞龙;;多源数据在森林资源动态变化监测中的应用[A];第十四届全国遥感技术学术交流会论文摘要集[C];2003年

4 遇宝燕;李娟;田如意;;基于eCognition规则集模式的城市建筑物提取方法研究[A];第十八届华东六省一市测绘学会学术交流会江苏优秀论文集[C];2016年

5 何予霄;Zhou jiang;;基于LandSat8 OLI数据对四川省阿坝州汶川县地物分类精度比较[A];第十五届全国数学地质与地学信息学术研讨会论文集[C];2016年

6 施拥军;周国模;徐文兵;;多源遥感影像林分类型分类精度研究[A];首届中国林业学术大会论文集[C];2005年

7 成思敏;;基于ArcGIS与ENVI对四川省成都市1990年土地利用分类[A];科技研究——2015科技产业发展与建设成就研讨会论文集（下）[C];2015年

8 刘咏梅;温仲明;杨勤科;;陕北黄土丘陵地区坡耕地遥感分类方法研究[A];认识地理过程 关注人类家园——中国地理学会2003年学术年会文集[C];2003年

9 陈建裕;毛志华;吴均平;潘德炉;;基于光谱数据的分区多阶段混合分类方法提取特定地物[A];成像光谱技术与应用研讨会论文集[C];2004年

10 刘凤仙;王荣静;张玮;;华北地区基于MODIS的地表覆盖监测方法研究——以建筑用地为例[A];农业工程科技创新与建设现代农业——2005年中国农业工程学会学术年会论文集第三分册[C];2005年

相关博士学位论文 前10条

1 可婷;部分监督分类问题的研究[D];中国农业大学;2014年

2 黄东山;特征选择及半监督分类方法研究[D];华中科技大学;2011年

3 石子烨;网络数据的动态半监督分类算法[D];清华大学;2013年

4 马晓瑞;基于深度学习的高光谱影像分类方法研究[D];大连理工大学;2017年

5 黄红兵;层次流形学习及其在监督分类中的应用[D];上海交通大学;2015年

6 孙艳丽;联合丰度信息与空谱特征的高光谱影像分类研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2017年

7 蒋婷;学科领域本体学习及学术资源语义标注研究[D];南京大学;2017年

8 薛朝辉;高光谱遥感影像稀疏图嵌入分类研究[D];南京大学;2015年

9 戚鹏程;基于GIS的陇西黄土高原落叶阔叶林潜在分布及潜在净初级生产力的模拟研究[D];兰州大学;2009年

10 王春阳;基于信息熵的自训练半监督高光谱遥感影像分类研究[D];河南理工大学;2015年

相关硕士学位论文 前10条

1 张磊;自学习关联矩阵的半监督分类研究[D];温州大学;2019年

2 陈倩;标签带噪声数据的重加权半监督分类方法[D];烟台大学;2019年

3 胡冬翠;高光谱遥感图像半监督分类研究[D];辽宁师范大学;2019年

4 谢波;基于联合正则化半监督分类方法的研究[D];西南交通大学;2018年

5 陈展;基于自步学习的对标签噪声稳健的半监督分类方法研究[D];首都经济贸易大学;2017年

6 蔺洪帅;面向大规模图像的半监督分类方法研究及应用[D];陕西师范大学;2016年

7 童佳楠;基于图的半监督分类方法在遥感图像中的应用研究[D];陕西师范大学;2016年

8 王艺恺;基于图的极化SAR影像半监督分类[D];西安电子科技大学;2015年

9 陆广泉;半监督分类技术及其算法研究[D];广西师范大学;2011年

10 贾敏;脑机接口中半监督分类方法研究[D];燕山大学;2012年

本文编号：2722762