2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩142頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、核學(xué)習(xí)是一種非常流行的非線性分類問題解決方法,它通過構(gòu)建核矩陣來描述樣本在高維空間的相似程度,達(dá)到種類區(qū)分目的。多核學(xué)習(xí)是核學(xué)習(xí)新的發(fā)展和研究方向。相比于傳統(tǒng)的單核學(xué)習(xí),多核學(xué)習(xí)整合多個(gè)子核到一個(gè)統(tǒng)一的優(yōu)化框架內(nèi),從而尋求多個(gè)子核之間的一種最佳組合。多核學(xué)習(xí)可以有效避免核參數(shù)的經(jīng)驗(yàn)調(diào)節(jié),減少了人為參與。另外,當(dāng)子核對(duì)應(yīng)單個(gè)特征或者每一維時(shí),多核學(xué)習(xí)還可以很好地解決特征選擇和維數(shù)約簡(jiǎn)問題。但是多核學(xué)習(xí)的高計(jì)算復(fù)雜度,使得它在學(xué)習(xí)訓(xùn)練過程中

2、花費(fèi)了大量的時(shí)間。這一特性大大阻礙了多核學(xué)習(xí)在實(shí)際工程中的應(yīng)用。本論文針對(duì)這個(gè)問題,通過預(yù)先篩選有益于分類的子核和構(gòu)造隨機(jī)核的方法來加速多核學(xué)習(xí)的訓(xùn)練過程。此外,憑借在多核學(xué)習(xí)研究過程中得到的理論,本論文成功把多核學(xué)習(xí)應(yīng)用到高光譜圖像和自然圖像分類中。
  本論文的工作可以具體概括如下:
  1.針對(duì)多核學(xué)習(xí)復(fù)雜度高的問題,提出了選擇性的多核學(xué)習(xí)。通過理論分析,發(fā)現(xiàn)多核學(xué)習(xí)可以看作是集成學(xué)習(xí)的一種特殊形式。因此,選擇性多核學(xué)

3、習(xí)使用集成策略預(yù)先選擇一些高辨別大差異的子核。為了評(píng)估核的辨別能力和差異性,設(shè)計(jì)了一種新的核評(píng)估方法。與經(jīng)典的核評(píng)估方法核排列相比,該評(píng)估方法能提供量化的結(jié)果與更精確的差異性評(píng)估。經(jīng)過預(yù)先選擇有益于分類的子核,選擇性多核學(xué)習(xí)節(jié)省了內(nèi)存,加快了訓(xùn)練過程。尤其是該方法可以與多核學(xué)習(xí)L∞范數(shù)約束相結(jié)合,從而大大節(jié)省了計(jì)算時(shí)間和內(nèi)存。其整個(gè)運(yùn)行代價(jià)僅僅相當(dāng)于運(yùn)行一次單核學(xué)習(xí)。通過大量的實(shí)驗(yàn)驗(yàn)證,該方法比傳統(tǒng)的多核學(xué)習(xí)方法,速度更快,耗用內(nèi)存更少

4、,同時(shí)獲得了相當(dāng)或者更高的分類精度。
  2.針對(duì)多核學(xué)習(xí)中核矩陣構(gòu)造耗時(shí)太長(zhǎng)的問題,提出了基于隨機(jī)核的多核學(xué)習(xí)方法。由極限學(xué)習(xí)機(jī)得到啟發(fā),當(dāng)單影層神經(jīng)網(wǎng)絡(luò)中的隱層節(jié)點(diǎn)數(shù)目足夠多,在隱藏節(jié)點(diǎn)權(quán)重隨機(jī)賦值的情況下,給定一個(gè)在任意區(qū)間無限可導(dǎo)的激活函數(shù),Single-hidden Layer Feedforward Neural Network(SLFN)可以無限逼近擬合輸入樣本集。由于激活函數(shù)中的權(quán)重可以隨機(jī)賦值,ELM是一種無參數(shù)

5、的學(xué)習(xí)機(jī)。論文使用Extreme learning machine(ELM)中的激活函數(shù)為多核學(xué)習(xí)構(gòu)造隨機(jī)核,減少了待優(yōu)化的子核規(guī)模。尤其是該方法跟上文的選擇性多核學(xué)習(xí)方法相結(jié)合,從而大大加速了多核學(xué)習(xí)的核構(gòu)造和訓(xùn)練時(shí)間。并且,通過Rademacher復(fù)雜度分析,多核學(xué)習(xí)的一般性誤差上界隨著子核規(guī)模的減少而降低。因此,本文的方法理論上可以獲得更好的分類結(jié)果。通過在多個(gè)數(shù)據(jù)庫上驗(yàn)證,基于隨機(jī)核的方法使得多核學(xué)習(xí)速度更快,占用內(nèi)存更少,而且

6、擁有相當(dāng)或者更高的分類精度。
  3.多核學(xué)習(xí)應(yīng)用于高光譜圖像分類識(shí)別。針對(duì)高光譜圖像維數(shù)過高的問題,提出了一種兩階段多核學(xué)習(xí)方法來進(jìn)行維數(shù)約簡(jiǎn)。由于多核學(xué)習(xí)一般性誤差的上確界隨著子核數(shù)目的增加而升高,高光譜圖像中過高的維數(shù)生成了大量的子核。因此,直接使用多核學(xué)習(xí)對(duì)高光譜圖像進(jìn)行維數(shù)約簡(jiǎn)是不合理的。論文設(shè)計(jì)了一種兩階段的多核學(xué)習(xí)方法,通過預(yù)先構(gòu)造有益于分類的子核,來降低待優(yōu)化的子核數(shù)目,從而獲得比直接使用多核學(xué)習(xí)更好的分類結(jié)果。在

7、多個(gè)高光譜圖像上實(shí)驗(yàn)驗(yàn)證,對(duì)比于經(jīng)典的特征選擇方法,兩階段的多核學(xué)習(xí)獲得了更佳的分類性能。
  4.多核學(xué)習(xí)應(yīng)用于高光譜圖像不平衡分類識(shí)別。當(dāng)分類任務(wù)中存在某些種類樣本數(shù)量過少的時(shí)候,傳統(tǒng)的分類方法會(huì)因?yàn)閮A向于把樣本劃分為樣本數(shù)目較多的種類,而不能勝任。為了平衡各個(gè)種類的關(guān)系,集成學(xué)習(xí)是一種常用的方法。但是現(xiàn)有的集成方法沒有考慮所選的分類器,因此其所提供的集成策略針對(duì)某一具體的分類器而言往往不是最優(yōu)的。因?yàn)楦吖庾V圖像的高維小樣本特

8、性,使得支撐矢量機(jī)(Support Vector Machine SVM)成為高光譜分類中一個(gè)常用的分類器。因?yàn)镾VM使用maximum margin作為分類準(zhǔn)則,所以論文充分考慮了高光譜圖像分類器的特性,借鑒了多核學(xué)習(xí)的方法,提出了一種基于maximum margin的集成策略。經(jīng)過多個(gè)高光譜圖像的實(shí)驗(yàn)驗(yàn)證,該方法在高光譜圖像分類上,要優(yōu)于傳統(tǒng)的不平衡分類方法。
  5.多核學(xué)習(xí)應(yīng)用于自然圖像分類識(shí)別。針對(duì)自然圖像分類中的金字塔

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(qǐng)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(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論