資源描述：
《基于稀疏圖的半監(jiān)督學習方法研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。
1、代號10701學號1011420755分類號TP751密級公開題(中、英文)目基于稀疏圖的半監(jiān)督學習方法研究SparseGraphBasedSemi-supervisedLearningMethods作者姓名王秀秀指導教師姓名、職務(wù)楊淑媛教授學科門類工學學科、專業(yè)電路與系統(tǒng)提交論文日期二○一三年三月創(chuàng)新性聲明本人聲明所呈交的論文是我個人在導師指導下進行的研究工作及取得的研究成果。盡我所知，除了文中特別加以標注和致謝中所羅列的內(nèi)容以外，論文中不包含其它人已經(jīng)發(fā)表或撰寫過的研究成果；也不包含為獲得西安電子科技大學或其它教育機構(gòu)的學位或證書而使用過的材料。與我一
2、同工作的同志對本研究所做的任何貢獻均已在論文中做了明確的說明并表示了謝意。申請學位論文與資料若有不實之處，本人承擔一切相關(guān)責任。本人簽名：日期關(guān)于論文使用授權(quán)的說明本人完全了解西安電子科技大學有關(guān)保留和使用學位論文的規(guī)定，即：研究生在校攻讀學位期間論文工作的知識產(chǎn)權(quán)單位屬西安電子科技大學。本人保證畢業(yè)離校后，發(fā)表論文或使用論文(與學位論文相關(guān))工作成果時署名單位仍然為西安電子科技大學。學校有權(quán)保留送交論文的復印件，允許查閱和借閱論文；學?？梢怨颊撐牡娜炕虿糠謨?nèi)容，可以允許采用影印、縮印或其它復制手段保存論文。(保密的論文在解密后遵守此規(guī)定)本人授權(quán)西安
3、電子科技大學圖書館保存學位論文，本學位論文屬于公開(保密級別)，并同意將論文在互聯(lián)網(wǎng)上發(fā)布。本人簽名：日期導師簽名：日期摘要I摘要隨著計算機存儲、運算技術(shù)的飛速發(fā)展以及人類收集和存儲數(shù)據(jù)能力的不斷增強，機器學習已經(jīng)成為計算機科學技術(shù)中最受關(guān)注的領(lǐng)域之一。有監(jiān)督學習(例如分類、回歸)、無監(jiān)督學習(例如聚類)等是機器學習領(lǐng)域常用的兩種方法。然而訓練樣本數(shù)目很少時有監(jiān)督學習難以準確學習出樣本的真實分布，不需要訓練樣本的無監(jiān)督學習對于空間分布較復雜的數(shù)據(jù)難以得到好的學習效果。因此，結(jié)合兩種傳統(tǒng)學習方法的半監(jiān)督學習利用大量未標記樣本輔助有限的有標記樣本提高了學習的準
4、確性。基于圖的半監(jiān)督學習是半監(jiān)督學習中的一個研究熱點。近年來，稀疏表示開始應(yīng)用于半監(jiān)督圖的構(gòu)造中，它將連接關(guān)系的確立和連接權(quán)值的計算一步確立，得到了很多學者的關(guān)注。低秩表示是最新提出的能夠挖掘數(shù)據(jù)結(jié)構(gòu)特性的聯(lián)合稀疏表示模型。本文將低秩表示引入到圖矩陣的構(gòu)造中，提出了幾種基于圖的半監(jiān)督學習算法，具體研究內(nèi)容如下：(1)提出了一種基于核低秩表示圖(KLRG)的半監(jiān)督學習算法。在該算法中，先通過核函數(shù)將樣本集合映射至特征空間，再對映射后的樣本集進行低秩表示得到低秩編碼系數(shù)矩陣，從而構(gòu)造圖進行半監(jiān)督分類。由于核映射加強了數(shù)據(jù)的可分性，低秩表示給解進行了全局的約束，
5、核低秩表示能夠自然的反映出數(shù)據(jù)的全局結(jié)構(gòu)性，從缺損數(shù)據(jù)中實現(xiàn)更加魯棒的子空間分割。在UCI數(shù)據(jù)集、人臉數(shù)據(jù)庫等和其他一些Benchmark數(shù)據(jù)集上進行仿真實驗，實驗結(jié)果表明：該算法與同類算法相比，分類正確率有所提高。(2)提出一種基于KLRG和成對約束的半監(jiān)督學習算法。在譜聚類中已證明加入成對約束有較好的性能，本文根據(jù)少量標記信息和距離信息構(gòu)造成對約束矩陣，將其和核低秩表示矩陣進行點積，構(gòu)造新的圖進行劃分。在常用的標準人臉數(shù)據(jù)庫和手寫體數(shù)字數(shù)據(jù)庫上進行的仿真實驗驗證了該算法的有效性，并用于紋理圖像的分割。(3)提出了一種基于KLRG和空間約束的高光譜地物分
6、類算法。在KLRG方法的基礎(chǔ)上，對高光譜圖像的類標進行光滑性假設(shè)，通過空間約束的思想，構(gòu)造空間約束圖，將空間位置的信息加入到KLRG圖中。由于獲得的圖矩陣增強了標記的平滑性，減少了奇異點的出現(xiàn)，因此在后續(xù)分類中可獲得更高的分類正確率。在高光譜數(shù)據(jù)上進行實驗仿真，結(jié)果顯示：與同類算法相比，分類正確率有所提高。本文的工作得到了973國家重點基礎(chǔ)研究發(fā)展計劃(2013CB329402,NCET-10-0668)，國家自然科學基金(61072108，60971112，61173090)，教育部博II摘要士點基金(20120203110005)，武器裝備預研基金項目
7、(9140A24070412DZ0101)，高等學校學科創(chuàng)新引智計劃(111計劃)：No.B0704的資助。關(guān)鍵詞：核低秩表示半監(jiān)督學習成對約束空間約束AbstractIIIAbstractWiththerapiddevelopmentofcomputerstorage,operationtechnologyandtheincreasingabilityofcollectingandstoredata,machinelearninghasbeendevelopedasoneofthehottestfieldsincomputerscience.Superv
8、isedlearning(suchasclassification
