基于矩阵化特征表示和Ho-Kashyap算法的分类器设计方法研究

发布时间：2017-07-16 07:09

  本文关键词：基于矩阵化特征表示和Ho-Kashyap算法的分类器设计方法研究

  更多相关文章： 模式结构 表示信息 局部信息 聚类 矩阵化特征表示

【摘要】：基于矩阵化特征表示的分类器可以克服时间复杂度高、维数灾难等问题,可以直接处理图像等矩阵模式,并且具有较好的分类正确率。而现有矩阵化Ho-Kashyap修正算法因为忽略了模式之间的结构信息,而且仅采用一种矩阵表示,所以它无法处理实际应用问题。为此,本文研究基于矩阵化特征表示和Ho-Kashyap算法的分类器设计方法,从而克服矩阵化Ho-Kashyap修正算法的不足并提出更有效的分类器设计方法。本文工作的主要贡献如下： (1)现有矩阵化Ho-Kashyap修正算法仅考虑模式个体和类别结构,忽略了模式之间的结构信息。如果用聚类方法将一个类分成多个子类,子类内模式具有较高相似度,但子类间模式具有较低相似度,那么,这些子类就可以反映模式之间的相似度和结构信息。这种结构被命名为子类结构。本文利用子类结构,提出一种三层结构的Ho-Kashyap修正算法。 (2)常规矩阵化Ho-Kashyap修正算法仅采用一种矩阵表示,不能显著提高分类器的性能。另一方面,同时使用模式的多种矩阵表示的传统的分类器无法确定每种矩阵表示在表示空间和每个模式在不同模式空间的权重和影响。因此,本文利用模式双重局部信息予以解决。首先,一个模式有多个具有不同表示信息和判别作用的矩阵表示。如果把这些矩阵表示组成一个表示空间,那么,它们的表示信息和判别作用被视为模式的第一重局部信息。一个多矩阵分类器是由多个矩阵表示融合而成,基于一个矩阵表示所生成的分类器可以作为其中的子分类器,生成子分类器的过程被视为矩阵表示学习过程。在一个矩阵表示学习中,不同模式对于一个子分类器的作用不同,不仅如此,同一个模式在不同矩阵表示学习中的作用也不同。所以,模式在一个矩阵表示学习中的作用被称为第二重局部信息。本文利用双重局部信息,提出一种双重局部化多矩阵学习机。 (3)三层结构的Ho-Kashyap修正算法缺少对模式双重局部信息的利用,双重局部化多矩阵学习机仅从全局角度来考虑模式的双重局部信息,没有使用子类结构。为此,本文把它们结合起来,提出一种具有五方面模式信息的多矩阵分类器。这五方面模式信息包含模式的类别,个体和子类结构的信息、矩阵表示的表示信息和判别作用以及模式在一个矩阵表示学习中的作用。这种分类器既有三层结构又利用双重局部信息,从而把更多的模式信息应用到分类器设计中。 (4)结构风险最小化是一个广泛用于评价分类器有效性的准则。但是,三层结构的Ho-Kashyap修正算法仅考虑了全局结构风险最小化。再者,绝大多数分类器设计方法或仅考虑全局结构风险最小化,或仅考虑局部结构风险最小化。为此,本文提出了一种新的分类器设计方法,即全局和局部结构风险最小化,以有效地改善分类器的性能。 (5)三层结构的Ho-Kashyap修正算法、具有五方面模式信息的多矩阵分类器以及全局和局部结构风险最小化的性能依赖于聚类方法的有效性,所以,子类结构的合理利用和生成合适的子类对于有效地提高分类器的性能至关重要。因此,本文提出一种多因素核聚类修正算法,以更好地进行聚类并提高分类器的性能。这种聚类算法不但可以用于向量模式,还能用于矩阵模式。它比传统的k均值和层次聚类方法有更好的性能。 本文以机器学习数据库、手写数字、人脸图像、视频等数据集为应用背景,研究基于矩阵化特征表示和Ho-Kashyap算法的分类器设计方法。本文工作表明,以Ho-Kashyap算法为基础并利用更多的矩阵化特征表示,可以有效地提高分类器的学习和推广性能,并且可以处理大量实际应用问题。
【关键词】：模式结构 表示信息 局部信息 聚类 矩阵化特征表示
【学位授予单位】：华东理工大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.4
【目录】：

• 摘要5-7
• Abstract7-11
• 第1章 绪论11-18
• 1.1 概述11-12
• 1.2 研究背景及现状12-14
• 1.3 论文主要工作14-16
• 1.4 文章内容安排16-18
• 第2章 相关工作18-23
• 2.1 Ho-Kashyap算法18-19
• 2.2 Ho-Kashyap修正算法19
• 2.3 矩阵化Ho-Kashyap修正算法19-21
• 2.4 多视角下的Ho-Kashyap修正算法21
• 2.5 正则化多视角下的Ho-Kashyap修正算法21-23
• 第3章 多结构Ho-Kashyap修正算法23-42
• 3.1 引言23
• 3.2 三层结构的Ho-Kashyap修正算法模型23-27
• 3.2.1 数据准备23-25
• 3.2.2 模型实现25
• 3.2.3 模型推导25-27
• 3.3 实验结果分析27-41
• 3.3.1 实验设置27
• 3.3.2 人工数据集27-29
• 3.3.3 UCI数据集29-38
• 3.3.4 图像数据集38-41
• 3.4 本章小结41-42
• 第4章 双重局部化多矩阵学习机42-69
• 4.1 引言42-45
• 4.2 双重局部化多矩阵学习机模型45-49
• 4.2.1 模型实现45-47
• 4.2.2 模型推导47-49
• 4.3 实验结果分析49-67
• 4.3.1 实验设置50-54
• 4.3.2 人工数据集54-55
• 4.3.3 UCI数据集55-57
• 4.3.4 图像数据集57-63
• 4.3.5 进一步讨论63-67
• 4.4 本章小结67-69
• 第5章 多信息多矩阵分类器69-89
• 5.1 引言69-70
• 5.2 具有五方面模式信息的多矩阵分类器模型70-75
• 5.2.1 模型实现70-72
• 5.2.2 模型推导72-75
• 5.3 实验结果分析75-87
• 5.3.1 实验设置76-80
• 5.3.2 分类正确率比较80-82
• 5.3.3 训练和测试时间比较82-83
• 5.3.4 进一步讨论83-87
• 5.4 本章小结87-89
• 第6章 基于结构风险最小化的分类器设计算法89-129
• 6.1 引言89-91
• 6.2 全局和局部结构风险最小化的分类器模型91-98
• 6.2.1 分类器的提出91-92
• 6.2.2 数据准备92
• 6.2.3 模型实现92-94
• 6.2.4 模型推导94-98
• 6.3 实验结果分析98-128
• 6.3.1 实验设置99-103
• 6.3.2 人工数据集103-108
• 6.3.3 UCI数据集108-117
• 6.3.4 图像数据集117-119
• 6.3.5 视频数据集119-120
• 6.3.6 进一步讨论120-128
• 6.4 本章小结128-129
• 第7章 多因素核聚类方法129-140
• 7.1 引言129-130
• 7.2 多因素核聚类修正算法模型130-134
• 7.2.1 方法基础130
• 7.2.2 模型因素130-133
• 7.2.3 模型实现133-134
• 7.3 实验结果分析134-139
• 7.3.1 实验设置135-137
• 7.3.2 聚类方法性能比较137
• 7.3.3 因素影响137-139
• 7.4 本章小结139-140
• 第8章 结束语140-142
• 8.1 本文工作总结140-141
• 8.2 研究工作展望141-142
• 参考文献142-150
• 攻读博士学位期间完成的论文和科研成果150-152
• 致谢152

【共引文献】

中国期刊全文数据库 前10条

1 王全凤;郑浩;;基于径向基函数神经网络的高层建筑结构选型[J];四川建筑科学研究;2010年05期

2 冀卫兴;陈忠海;方筝;;基于DE—BP算法的空调负荷预测研究[J];四川建筑科学研究;2010年05期

3 张根耀,李竹林,赵宗涛;遮挡情况下运动目标的跟踪[J];安徽大学学报(自然科学版);2003年03期

4 陈弋兰;王鸣;孙书诚;;朴素贝叶斯分类器的误差估计[J];安徽工程科技学院学报(自然科学版);2008年04期

5 张红涛;胡玉霞;张恒源;顾波;;储粮害虫图像识别中的特征压缩研究[J];安徽农业科学;2008年27期

6 郭立萍;唐家奎;米素娟;张成雯;赵理君;;基于支持向量机遥感图像融合分类方法研究进展[J];安徽农业科学;2010年17期

7 张昭;何东健;;基于计算机视觉的竹块颜色分类方法研究[J];安徽农业科学;2010年26期

8 王婷婷;黄燕;;基于NC-SVM的酵母蛋白功能预测研究[J];现代农业科技;2011年07期

9 汪洁;朱军;;基于Linux的中文垃圾邮件过滤系统设计与实现[J];安徽农业大学学报;2011年02期

10 苏科;陈志彬;;基于BP神经网络的车牌识别系统[J];辽宁科技大学学报;2010年05期

，

本文编号：547491