非線性核自適應學習的圖像分類算法研究.pdf

1、核學習方法是機器學習研究領域的重要研究分支，已經有大量理論和實際應用研究的成果，廣泛用于圖像與信號處理、數據挖掘等研究領域。利用核學習方法在一定程度上解決了實際應用中的非線性問題，大大提高了實際系統(tǒng)的識別率性能、預測精度等性能指標。然而，核學習方法仍然面臨著核函數及其參數的選擇問題。本論文旨在通過基于核自適應學習典型算法及其在圖像分類等領域應用研究，找到解決核學習面臨的核選擇問題的研究思路。
　　針對核主成分分析算法面臨的訓練樣本

2、數量及核函數參數選擇不當造成的計算時間和存儲空間大量消耗的問題，提出了基于1類支持向量理論的稀疏核主成分分析算法，在此基礎上，引入并擴展數據依賴核函數，提出了稀疏數據依賴核主成分分析算法。首先，通過求解最優(yōu)方程找到能夠代表原始樣本空間的少量典型樣本，這些樣本作為計算核數據矩陣，節(jié)省了核矩陣計算時間和存儲空間成本；其次，采用核優(yōu)化方法使核結構根據輸入樣本數據分布自適應調整，在有限的訓練樣本集上最大限度提高算法性能。
　　針對基于局部

3、保持映射的流形學習算法在非線性特征提取上存在的識別率性能較低的問題，提出了基于核自適應流形學習算法。首先，將傳統(tǒng)無監(jiān)督的局部保持映射算法擴展到監(jiān)督學習模式，利用核方法對其進行了擴展；然后，利用核自適應優(yōu)化理論解決監(jiān)督核流形學習的核函數及參數選擇問題，有效提升算法在特征提取及分類上的性能。
　　針對傳統(tǒng)核判別分析存在的參數選擇不當造成識別率性能較低的問題，首先在研究線性無參數判別分析器的基礎上，提出了無參數核判別分析算法，該方法有效

4、解決了傳統(tǒng)核判別分析參數不當而影響分類器性能的問題。針對核函數及參數選擇問題，提出了核結構自適應判別分析算法并進行了仿真驗證。
　　針對光影、姿態(tài)等在實際應用中引起的識別率下降的問題，結合Gabor小波分析，對數據進行預處理，進一步提高分類的識別率性能。
　　研究表明，核函數及參數直接影響非線性特征空間內數據分布結構，恰當的核函數及參數選擇可以提高核學習器性能。研究核函數及參數自適應學習對于解決目前核學習方法廣泛面臨的核選擇