資源描述：
《基于圖結(jié)構(gòu)的半監(jiān)督字典學(xué)習(xí)研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、分類(lèi)號(hào)：TP391.41UDC：510學(xué)號(hào)：15451082131密級(jí)：公開(kāi)溫州大學(xué)碩士學(xué)位論文基于圖結(jié)構(gòu)的半監(jiān)督字典學(xué)習(xí)研究作者姓名：劉晗宇學(xué)科、專業(yè)：應(yīng)用數(shù)學(xué)研究方向：智能系統(tǒng)與控制指導(dǎo)教師：王迪副教授完成日期：2018-5-30溫州大學(xué)學(xué)位委員會(huì)溫州大學(xué)學(xué)位論文獨(dú)創(chuàng)性聲明本人鄭重聲明：所呈交的學(xué)位論文是我個(gè)人在導(dǎo)師指導(dǎo)下進(jìn)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(biāo)注和致謝的地方外，論文中不包含其他人已經(jīng)發(fā)表或撰寫(xiě)過(guò)的研究成果，也不包含為獲得溫州大學(xué)或其它教育機(jī)構(gòu)的學(xué)位或證書(shū)而使用過(guò)的材料。與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均已在論文中
2、作了明確的說(shuō)明并表示了謝意。論文作者簽名：日期：年月日溫州大學(xué)學(xué)位論文使用授權(quán)聲明本人完全了解溫州大學(xué)關(guān)于收集、保存、使用學(xué)位論文的規(guī)定，即：學(xué)校有權(quán)保留并向國(guó)家有關(guān)部門(mén)或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。本人授權(quán)溫州大學(xué)可以將本學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。本人在導(dǎo)師指導(dǎo)下完成的論文成果，知識(shí)產(chǎn)權(quán)歸屬溫州大學(xué)。保密論文在解密后遵守此規(guī)定。論文作者簽名：導(dǎo)師簽名：日期：年月日日期：年月日基于圖結(jié)構(gòu)的半監(jiān)督字典學(xué)習(xí)摘要近年來(lái)，有監(jiān)督字典學(xué)習(xí)由于其較好的分類(lèi)效果獲得了研究者的
3、廣泛關(guān)注。其主旨思想是通過(guò)對(duì)有標(biāo)簽訓(xùn)練樣本的學(xué)習(xí)提取出具有類(lèi)間判別性的特征，為分類(lèi)提供更好的判斷依據(jù)。但是對(duì)大量樣本進(jìn)行標(biāo)簽標(biāo)注是非常困難的，而收集大量的無(wú)標(biāo)簽樣本已非常容易。因此，合理利用有標(biāo)簽樣本與無(wú)標(biāo)簽樣本之間的內(nèi)在結(jié)構(gòu)關(guān)系成為提高所學(xué)字典表示能力和判別能力的關(guān)鍵?；诖怂枷耄疚奶岢鰞煞N基于圖結(jié)構(gòu)的半監(jiān)督字典學(xué)習(xí)方法。本文的主要研究工作與貢獻(xiàn)可歸納為：（1）提出了基于圖結(jié)構(gòu)的L1范數(shù)半監(jiān)督字典學(xué)習(xí)方法，具體思想為：利用特殊標(biāo)簽傳播方法（SpecialLabelPropagation,SLP）所獲得的軟標(biāo)簽和訓(xùn)練樣本之間的稀疏編碼共同構(gòu)造樣本間的圖結(jié)構(gòu)，并
4、將其嵌入到字典學(xué)習(xí)框架中，通過(guò)圖結(jié)構(gòu)約束和同類(lèi)樣本的結(jié)構(gòu)稀疏性，迫使無(wú)標(biāo)簽樣本在字典學(xué)習(xí)的過(guò)程中能夠自動(dòng)加入到其所在的樣本類(lèi)別中，并與其同類(lèi)的有標(biāo)簽樣本共享少數(shù)字典原子，從而提高字典的稀疏表達(dá)能力和判別能力。在真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明該算法具有優(yōu)良的分類(lèi)性能。（2）大量研究表明Lp范數(shù)在稀疏表示方面比L1范數(shù)有著更大的優(yōu)勢(shì)，因此在前期工作的基礎(chǔ)上，提出了改進(jìn)的基于圖結(jié)構(gòu)的Lp范數(shù)半監(jiān)督字典學(xué)習(xí)。在真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，該算法優(yōu)于其它算法及基于圖結(jié)構(gòu)的L1范數(shù)半監(jiān)督字典學(xué)習(xí)算法。（3）針對(duì)模型的非凸非光滑性,我們提出了一種基于塊坐標(biāo)下降法（BlockCoo
5、rdinateDescent,BCD）的有效算法。關(guān)鍵詞：稀疏表示，圖結(jié)構(gòu)，字典學(xué)習(xí)，半監(jiān)督字典學(xué)習(xí)IIIGraph-BasedSemi-SupervisedDictionaryLearningABSTRACTInrecentyears,superviseddictionarylearninghasgainedwideattentionfromresearchersbecauseofitsbetterclassificationeffect.Themainideaistoextractthediscriminativecharacteristicsbetween
6、classesbylearningthetrainingsampleswithlabels,soastoprovideabetterbasisforclassification.However,itisverydifficulttolabelalargenumberofsamples,anditisveryeasytocollectalargenumberofunlabeledsamples.Therefore,therationaluseoftheintrinsicstructuralrelationshipbetweenthelabeledandunlabe
7、ledsamplesisthekeytoimprovingtheabilityandabilitytodistinguishthedictionary.Basedonthisidea,twokindsofsemisuperviseddictionarylearningmethodsbasedongraphstructureareproposedinthispaper.Themainresearchworkandcontributionofthisarticlecanbesummedupasfollows:(1)AlearningmethodofGraph-Bas
8、edL1NormSemi
