基于聯(lián)合學習的特征提取算法研究.pdf_第1頁
已閱讀1頁,還剩54頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、模式識別是近年來的熱點問題之一。模式識別一般分為五個步驟:數(shù)據的獲取,預處理,特征提取,特征選擇以及分類器分類。特征提取和特征選擇是分類問題的兩個關鍵步驟,主要用于快速準確的分類。良好的特征提取方法所提取出的特征對后續(xù)的特征選擇以及分類器的分類及模式識別起到很重要的作用?,F(xiàn)有的特征提取方法有很多,但是特征提取過程與后續(xù)的特征選擇過程往往是互相獨立的,他們各自有各自的優(yōu)化準則,然而兩者優(yōu)化準則的交集卻未必準確。
  本文通過對現(xiàn)有的

2、特征提取算法的研究學習,針對如何找到一種特征提取與特征選擇進行聯(lián)合學習的方法進行了研究,對現(xiàn)有的特征提取算法進行了改進。主要貢獻包括:
  研究了一種非監(jiān)督的聯(lián)合稀疏鄰域保持嵌入方法(Joint Sparse Neighborhood Preserving Embedding, JSNPE),該方法的研究目的是希望降維后的數(shù)據既能夠保持原始數(shù)據鄰域的流形結構的信息,又能夠使轉換矩陣具有列稀疏性,以此來減少樣本識別時的計算量,同時希

3、望可以降低數(shù)據的維度,以達到較好的特征提取結果,為后續(xù)的分類器設計奠定良好的基礎。
  本文還進一步研究了該聯(lián)合學習算法的一種監(jiān)督學習模型,稱為聯(lián)合判別稀疏鄰域保持嵌入方法(Joint Discriminate Sparse Neighborhood Preserving Embedding,JDSNPE)。通過對JSNPE中加入判別信息,能夠有效的利用樣本的類別的信息,即希望類間散度與類內散度的差值最大化,以達到同類聚集,異類分

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論