稀疏表示学习算法及应用研究

发布时间：2023-03-13 07:56

　　近年来,随着CPU,内存等硬件设备的快速发展,模式识别、图像处理和计算机视觉等领域面临数据维数越来越大,数据处理时间越来越长等问题。稀疏表示因其在解决数据量过大的问题上有很大优势而受到很多学者关注,而且经过稀疏表示处理的数据样本对噪声具有很强的鲁棒性,对后续的分类精度提升起到很大作用。本文主要研究将稀疏表示方法运用在降维算法,特征提取算法等图像处理算法上,并且通过大量实验验证了本文提出算法的有效性,主要的工作包括:(1)特征提取算法通常只单独用到了数据的局部结构或者整体结构,这样将得不到全局最优投影矩阵,且投影矩阵不具备很好的可解释性。为此,本文提出了一种基于邻域图的低秩投影学习算法。该算法通过在数据的重构残差上施加图约束来保持数据的局部结构,同时引入低秩项来保持整体结构;算法利用L_2,1范数行稀疏的性质对投影矩阵进行约束,这样可以剔除冗余特征,提高投影矩阵的可解释性;并且算法引入噪声稀疏项来减弱样本本身存在噪声的干扰。模型采用交替迭代方法求解,在多个数据集上的实验结果表明该算法能有效地提高分类精度。(2)局部线性嵌入作为经典的数据降维算法已应用于图像处理领域,但...

【文章页数】：53 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 相关图像数据集简介
    1.4 主要研究内容及文章结构
第2章 相关算法概述
    2.1 流形学习相关算法
        2.1.1 局部线性嵌入算法
        2.1.2 局部保持投影算法
    2.2 表示性学习相关算法
        2.2.1 低秩表示及相关算法
        2.2.2 稀疏表示
    2.3 其他相关算法
        2.3.1 主成分分析
        2.3.2 自步学习
    2.4 分类算法
        2.4.1 K近邻算法
    2.5 本章小结
第3章 基于邻域图的低秩投影学习
    3.1 引言
    3.2 算法引入
    3.3 实验结果分析
        3.3.1 数据维度对识别率的影响
        3.3.2 样本数对识别率的影响
        3.3.3 收敛性实验及参数分析
    3.4 本章小结
第4章 基于自步学习的鲁棒稀疏嵌入算法
    4.1 引言
    4.2 算法引入
    4.3 实验与分析
        4.3.1 数据集预处理
        4.3.2 实验结果分析
        4.3.3 参数设置
    4.4 本章小结
第5章 基于局部保持投影的鲁棒稀疏子空间学习
    5.1 引言
    5.2 算法引入
    5.3 实验结果分析
        5.3.1 数据集
        5.3.2 实验分析
        5.3.3 参数分析
    5.4 本章小结
总结与展望
    主要结论
    展望
致谢
参考文献
附录 :作者在攻读硕士期间发表的论文



本文编号：3762090