半監(jiān)督聚類算法研究及植物葉片識別應(yīng)用.pdf_第1頁
已閱讀1頁,還剩115頁未讀 繼續(xù)免費閱讀

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),請進行舉報或認領(lǐng)

文檔簡介

1、作為現(xiàn)代農(nóng)業(yè)的重要組成部分,植物鑒別在植物分類學、精細農(nóng)業(yè)和園藝學、中醫(yī)藥研究等人們生產(chǎn)生活密切相關(guān)的各個領(lǐng)域具有重要的應(yīng)用價值。葉片作為一種扁平的二維結(jié)構(gòu)植物器官,葉片外形、葉緣和紋理等特征具有明顯的形態(tài)差異,是植物物種鑒別和形態(tài)區(qū)分的重要指標,而準確高效的圖像特征提取方法和分類識別算法是解決植物葉片分類問題的關(guān)鍵所在。近年來,有關(guān)植物葉片的特征選擇及分類識別算法無論從理論上還是應(yīng)用研究方面都取得了一定的進展,然而相關(guān)算法中對識別特征

2、高度相似的葉片圖像研究不多,而隨著圖像獲取技術(shù)的不斷提升,捕獲的植物葉子圖像分辨率更高、維度更多,高維葉片圖像的特征提取以及分類識別器的設(shè)計逐漸成為葉片圖像分類識別中的亟待解決的新難題。
  本文以葉片圖像特征提取和分類器的設(shè)計為突破口,圍繞高維圖像的降維算法、模糊半監(jiān)督聚類算法設(shè)計、葉片分類識別應(yīng)用等關(guān)鍵問題,研究新的數(shù)據(jù)降維算法、聚類算法的參數(shù)優(yōu)化算法以及特征加權(quán)的半監(jiān)督聚類算法,在此基礎(chǔ)上構(gòu)建出植物葉片圖像的識別框架,并用U

3、CI數(shù)據(jù)集和實測數(shù)據(jù)集進行試驗。
  論文主要研究工作和結(jié)論如下:
  (1)提出一種改進型的PCA降維算法L-PCA,有效降低了特征維度,提高了分類識別率。借鑒經(jīng)典凸技術(shù)聚類算法中的全局線性降維算法PCA(Principal ComponentAnalysis)與LDA(Linear Discriminant Analysis)聚類算法思想,提出一種改進型的PCA降維算法L-PCA,該算法在保證原有樣本協(xié)方差結(jié)構(gòu)不變的前提

4、下,獲取變換矩陣中最重要的主分量進行賦權(quán),通過調(diào)節(jié)類內(nèi)與類間離散矩陣,使得類內(nèi)距離最小化、類間聚類最大化,來搜索一個合適的映射子空間來實現(xiàn)不同類別數(shù)據(jù)之間的劃分。人工數(shù)據(jù)集和自測數(shù)據(jù)集下實驗結(jié)果表明,L-PCA算法的一階最近近鄰分類器平均泛化誤差為11.94%,其平均降維準確性為94.50%,目標數(shù)據(jù)表達連續(xù)性能達到0.97。
  (2)改進了傳統(tǒng)FCM算法,提出一種基于模糊分離度的FCM聚類模糊加權(quán)指數(shù)優(yōu)選算法EOSD。對傳統(tǒng)的

5、FCM算法進行了改造,提出了一種基于模糊分離度的FCM聚類模糊加權(quán)指數(shù)優(yōu)選算法EOSD,在模糊劃分指數(shù)和分離指數(shù)兩種模糊評價函數(shù)的基礎(chǔ)上構(gòu)造出模糊分離度,并通過觀測實際樣本數(shù)據(jù)和人造樣本數(shù)據(jù)下的模糊分離度曲線拐點進行最優(yōu)加權(quán)指數(shù)的選取,并通過目標函數(shù)的拐點法對實驗結(jié)果進行驗證。實驗也證明了EOSD優(yōu)選算法能夠有效進行最優(yōu)加權(quán)指數(shù)的選取,m的取值介于1.8-2.2之間,而FCM族算法最優(yōu)值為2。
  (3)為了設(shè)計一種合理的分類器算

6、法,提出一種新型模糊半監(jiān)督加權(quán)聚類算法。本文引入成對約束,采用聚類和特征加權(quán)同步進行的思想,將特征加權(quán)融合到聚類過程中,進一步提高了聚類算法的類識別能力,通過對用戶提供的模式特征邊信息進行選擇和鑒別,并經(jīng)過一套有效的特征加權(quán)流程獲取整個輸入模式的特征權(quán)值集合,同時使用該特征權(quán)值對目標函數(shù)進行修正,并通過準確率和NMI評價方法對SFFD算法進行全面評價。8種UCI數(shù)據(jù)集下的聚類結(jié)果表明,特征加權(quán)的模糊半監(jiān)督聚類算法SFFD能夠有效的解決常

7、見的聚類問題,在8個數(shù)據(jù)集上的性能均優(yōu)于其余算法的平均值約7.74%,其權(quán)值能夠提高算法的2.00%至7.00%的分類準確率。
  (4)為了有效解決聚類算法中最佳聚類數(shù)的確定問題,分析權(quán)值因子在聚類劃分過程中的作用,使用不同評價算法評估了SFFD算法的有效性,并對其聚類過程中劃分矩陣的權(quán)值變化曲線進行監(jiān)控。本文在SFFD聚類算法的基礎(chǔ)上,首先采用PC、CE、SC、XB等4種聚類結(jié)果評價算法對相應(yīng)的聚類結(jié)果展開評價,最終通過不同聚

8、類評價結(jié)果的對比分析獲取不同數(shù)據(jù)集下的最佳聚類數(shù);其次,采用標簽數(shù)據(jù)和先驗知識等已知信息生成成對約束信息指導(dǎo)半監(jiān)督聚類過程,使用UCI數(shù)據(jù)集和Leaf自測集作為樣本信息進行聚類分析,通過獲取聚類過程中輸入特征向量的權(quán)值v的變化曲線分析特征權(quán)值對聚類性能和分割結(jié)果的影響。選擇合適的聚類評價算法能夠?qū)⒄`差控制在2以內(nèi),從而有效的解決最佳聚類數(shù)的預(yù)設(shè)問題,而特征權(quán)值在20個聚類周期內(nèi)將劃分矩陣的權(quán)值進行明確劃分,因此,有效提升聚類算法各項性能

9、的最簡單快捷的方法便是特征賦權(quán)。
  (5)采用特征加權(quán)模糊半監(jiān)督聚類算法SFFD算法作為分類識別器,構(gòu)建植物葉片圖像識別框架。通過實地采集相似度較高的葉片數(shù)字圖像并提取多種識別特征作為輸入數(shù)據(jù)集,使用SFFD分類器的特征加權(quán)過程極大的提高了聚類速度并有效的增強了算法的分類質(zhì)量,10類植物葉片的識別實驗結(jié)果表明,該算法省略了樣本訓練環(huán)節(jié),每種識別特征在30%的監(jiān)督信息指導(dǎo)下即可獲得72.40%至86.46%的識別準確率,其單一特征

10、平均識別率為82.92%。另外,在相同的預(yù)處理算法及相同的標簽數(shù)據(jù)數(shù)量下,葉緣特征和復(fù)合特征是葉片圖像分類過程中的最佳分類特征,其次是形狀特征。
  綜上所述,為了解決實際中葉片圖像的分類問題,融合了降維思想、參數(shù)優(yōu)化方法、半監(jiān)督聚類算法、聚類評價及應(yīng)用分析等研究內(nèi)容,提出了解決問題的幾種關(guān)鍵算法。這些新算法均取得了較好的應(yīng)用效果。通過實驗分析得出:葉片分類識別算法的成功與否主要取決于分類識別器和特征提取算法,其中,恰當?shù)陌氡O(jiān)督信

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空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論