多視角局部子空間學(xué)習(xí)方法研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，子空間學(xué)習(xí)已經(jīng)成為機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、模式識(shí)別等領(lǐng)域的研究熱點(diǎn)。高維數(shù)據(jù)難以使模型得到理想的學(xué)習(xí)效果。子空間學(xué)習(xí)旨在通過計(jì)算高維空間中樣本間的關(guān)系，并保持該關(guān)系將樣本映射到低維子空間中。
　　由于數(shù)據(jù)的采集方式不同和多樣化的特征提取算法，描述數(shù)據(jù)的角度逐漸增多。不同特征在機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘模型中學(xué)習(xí)效果也不盡相同。使用單一特征的模型很難得到較好的效果。多視角學(xué)習(xí)是一種同時(shí)利用多個(gè)視角下的特征提升模型效果的方法

2、。本文針對(duì)多視角子空間學(xué)習(xí)方法展開研究，并提出了一種多視角的局部子空間學(xué)習(xí)算法以提升子空間學(xué)習(xí)的效果，本文的主要工作如下:
　　(1)敘述了多視角學(xué)習(xí)的背景，意義和國(guó)內(nèi)外研究現(xiàn)狀。對(duì)多視角學(xué)習(xí)的三類主要方法:協(xié)同訓(xùn)練方法，多核學(xué)習(xí)方法和子空間學(xué)習(xí)方法的算法思想和主要進(jìn)展進(jìn)行了介紹。
　　(2)對(duì)子空間學(xué)習(xí)和多視角學(xué)習(xí)的主要技術(shù)進(jìn)行了詳細(xì)的介紹。重點(diǎn)闡述了本文中所涉及到的局部線性嵌入、拉普拉斯映射和多視角學(xué)習(xí)中的協(xié)同訓(xùn)練多視角

3、譜聚類和協(xié)同正則化多視角譜聚類。
　　(3)局部線性嵌入算法是一種經(jīng)典的子空間學(xué)習(xí)算法，但是該算法容易受噪聲數(shù)據(jù)的影響，此外鄰域參數(shù)的選取對(duì)算法的結(jié)果也有較大的影響。針對(duì)該問題，本文提出了一種魯棒的局部線性嵌入方法。該算法通過使用L2范數(shù)對(duì)相似度矩陣的復(fù)雜性進(jìn)行懲罰并利用L1范數(shù)保證矩陣的稀疏性實(shí)現(xiàn)對(duì)相似度矩陣的自適應(yīng)求解。本文同時(shí)考慮多視角學(xué)習(xí)的一致性和互補(bǔ)性原則，通過數(shù)據(jù)間的一致性對(duì)噪聲數(shù)據(jù)產(chǎn)生的影響進(jìn)行修正，獲得統(tǒng)一的魯棒相

4、似度矩陣，并使用該矩陣進(jìn)行子空間學(xué)習(xí)，提升子空間學(xué)習(xí)的效果。本文給出了多視角局部子空間學(xué)習(xí)算法的迭代解法，并利用輔助函數(shù)法對(duì)解法的正確性和收斂性進(jìn)行證明。本文在手寫體，人臉，物體等多種數(shù)據(jù)集中使用多視角局部子空間學(xué)習(xí)與其他多視角等算法進(jìn)行對(duì)比，并給出了實(shí)驗(yàn)分析以證明多視角局部子空間學(xué)習(xí)的效果。
　　(4)圖像檢索是學(xué)術(shù)界研究的熱點(diǎn)問題之一，特征提取的效果對(duì)圖像檢索系統(tǒng)尤為重要，由于互聯(lián)網(wǎng)圖像的復(fù)雜性和多樣性，單一特征難以取得較好的