图正则和低秩多标记线性判别分析

发布时间：2017-05-14 13:09

  本文关键词：图正则和低秩多标记线性判别分析，由笔耕文化传播整理发布。

【摘要】：多标记分类研究一个对象同时与多个标记相关的问题。与传统的单标记分类相比,多标记分类更普遍,在许多领域,例如多主题文本分类、图像与视频标注等方面都具有实际的应用意义。所以其越来越受到关注,目前,已经有大量多标记分类算法被提出。其中,多标记线性判别分析算法(MLDA)是一种有效的处理多标记分类的方法,但其不能保持数据的局部几何结构。本文针对多标记分类进行了研究,改进了多标记线性判别分析算法,主要研究工作和创新点如下:(1)原始的MLDA算法通过对经典的线性判别分析算法(LDA)中的散度矩阵进行重新定义,并且考虑了标记间的联系,较好地处理了多标记分类问题,但是,MLDA忽略了数据的局部几何结构。而在近年来的很多研究中都表明,局部结构信息对于降维是十分重要的。为了解决这个问题,本文引入图正则项,对多标记线性判别分析算法进行改进,提出了新的图正则的多标记线性判别分析算法(GR-MLDA),同时保持了数据的整体和局部几何结构信息,提高了算法的性能。通过实验,我们在多个数据集上,和多种算法做了比较,证明了GR-MLDA的性能优于原始的MLDA算法。(2)在原始的MLDA算法中,当数据集维度较高时,计算的时间和空间复杂性都非常高,本文通过去除矩阵中零空间的思想,在求解GR-MLDA目标函数的特征值问题之前,去除了散度矩阵的零空间,然后再计算特征值问题,从而优化了高维数据降维的计算过程,降低了时间和空间的复杂度。实验证明,原始MLDA的计算时间甚至是GR-MLDA的几百倍。(3)已有的许多判别方法都假设数据集是干净无噪声的,直接将样本投影到子空间,从而不能处理训练集中由于遮挡、镜面反射或者噪声等造成的异常值。在本文中,通过引入低秩和稀疏矩阵,提出低秩稀疏的多标记线性判别分析算法(LRS-MLDA),将原始数据分解为一个低秩矩阵和一个稀疏矩阵之和,去除了原始数据集中的异常值,消除了遮挡、噪声等影响,提高了算法的性能。实验结果表明我们的算法确实改进了多标记线性判别分析算法。
【关键词】：多标记分类 局部结构 计算复杂性 低秩表示 稀疏矩阵
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.1
【目录】：

• 摘要3-5
• ABSTRACT5-13
• 第一章 绪论13-23
• 1.1 背景13
• 1.2 多标记分类研究现状13-20
• 1.2.1 多标记分类算法13-17
• 1.2.2 降维在多标记分类中应用17-20
• 1.3 论文主要工作20
• 1.4 论文结构安排20-23
• 第二章 图正则的多标记线性判别分析23-49
• 2.1 引言23
• 2.2 MLDA介绍23-26
• 2.3 图正则的MLDA26-28
• 2.4 优化的计算模型28-31
• 2.5 实验结果31-47
• 2.5.1 实验数据集31-34
• 2.5.2 对比算法34-36
• 2.5.3 评估标准36-38
• 2.5.4 实验结果38-47
• 2.6 本章小节47-49
• 第三章 低秩稀疏分解的多标记线性判别分析49-61
• 3.1 引言49
• 3.2 相关工作49-51
• 3.3 低秩稀疏分解的MLDA51-53
• 3.4 实验结果53-58
• 3.4.1 实验数据集和对比算法53
• 3.4.2 实验评价标准53-54
• 3.4.3 实验结果54-58
• 3.5 本章小结58-61
• 全文总结61-63
• 参考文献63-67
• 致谢67-69
• 攻读学位期间发表的学术论文目录69-71
• 攻读学位期间参与的项目71-73

【相似文献】

中国期刊全文数据库 前10条

1 陈晓红;陈松灿;;类依赖的线性判别分析[J];小型微型计算机系统;2008年05期

2 刘忠宝;王士同;;改进的线性判别分析算法[J];计算机应用;2011年01期

3 高建强;范丽亚;;模糊线性判别分析中距离对面部识别的影响[J];井冈山大学学报(自然科学版);2012年03期

4 葛熠;王亭亭;韩月;李峰;;基于核双子空间线性判别分析人脸识别方法[J];科技视界;2012年23期

5 任获荣;李春晓;孙建维;秦红波;何培培;高敏;;类依赖增强线性判别分析算法[J];西安电子科技大学学报;2012年05期

6 温凤文;王洪春;;改进的张量线性判别分析[J];黑龙江科技信息;2013年24期

7 赵越;徐鑫;乔利强;;张量线性判别分析算法研究[J];计算机技术与发展;2014年01期

8 赵芳;马玉磊;;基于概率线性判别分析的可扩展似然公式化人脸识别[J];科学技术与工程;2014年06期

9 周大可,杨新,彭宁嵩;改进的线性判别分析算法及其在人脸识别中的应用[J];上海交通大学学报;2005年04期

10 成忠;诸爱士;;一种适于高维小样本数据的线性判别分析方法[J];浙江科技学院学报;2008年02期

中国重要会议论文全文数据库 前2条

1 欧阳梅兰;张志敏;陈晨;刘鑫波;梁逸曾;;稀疏线性判别分析法在代谢组学数据研究中的应用[A];中国化学会第29届学术年会摘要集——第19分会：化学信息学与化学计量学[C];2014年

2 张明锦;杜一平;童佩瑾;;基于非相关线性判别分析的分层特征选择方法及其在蛋白质组数据分析中的应用[A];第十届全国计算(机)化学学术会议论文摘要集[C];2009年

中国博士学位论文全文数据库 前3条

1 任忠国;基于γ特征谱的对象相似性识别技术研究[D];兰州大学;2015年

2 刘忠宝;基于核的降维和分类方法及其应用研究[D];江南大学;2012年

3 潘志斌;半监督排序的若干关键问题研究[D];华中科技大学;2014年

中国硕士学位论文全文数据库 前10条

1 王金贝;基于奇异值分解的不相关线性判别分析的通解与性质[D];郑州大学;2015年

2 林轩;几种分类问题的研究[D];吉林大学;2015年

3 孔昭阳;基于GPU的并行线性判别分析算法研究[D];哈尔滨工业大学;2014年

4 袁愈章;图正则和低秩多标记线性判别分析[D];上海交通大学;2015年

5 李道红;线性判别分析新方法研究及其应用[D];南京航空航天大学;2005年

6 曾丽辉;稀疏线性判别分析在文本分类中的应用研究[D];华东交通大学;2011年

7 姜园媛;人脸识别中关于线性判别分析算法的若干研究[D];吉林大学;2012年

8 王东;改进的二维直接线性判别分析方法及在人脸识别中的应用[D];云南大学;2015年

9 苗春玉;线性判别分析改进算法的分析与研究[D];辽宁师范大学;2012年

10 王增锋;线性判别分析子空间方法人脸识别研究[D];山东大学;2006年

  本文关键词：图正则和低秩多标记线性判别分析，，由笔耕文化传播整理发布。

本文编号：365248