本文關(guān)鍵詞：多視角廣義特征值最接近支持向量機(jī)，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著多媒體技術(shù)的不斷發(fā)展,多視角的數(shù)據(jù)集在現(xiàn)實(shí)中是十分常見的。近年來(lái),許多考慮多視角數(shù)據(jù)的學(xué)習(xí)方法被相繼提出,多視角學(xué)習(xí)也因此成為了一個(gè)比較活躍的研究方向。相比于單視角學(xué)習(xí)方法,多視角學(xué)習(xí)方法可以利用不同視角上的特征信息來(lái)提高學(xué)習(xí)性能。廣義特征值最接近支持向量機(jī)是一種簡(jiǎn)單且有效的二分類方法,它利用兩個(gè)超平面來(lái)對(duì)數(shù)據(jù)點(diǎn)進(jìn)行分類。其中每一個(gè)超平面離兩類數(shù)據(jù)的其中一類盡量近,離另外一類盡量遠(yuǎn)。廣義特征值最接近支持向量機(jī)通過(guò)解一對(duì)廣義特征值問(wèn)題來(lái)獲得這兩個(gè)非平行的超平面。本篇文章主要對(duì)廣義特征值最接近支持向量機(jī)的多視角學(xué)習(xí)進(jìn)行了探究,提出了三種不同的多視角學(xué)習(xí)算法。首先,我們提出了多視角廣義特征值最接近支持向量機(jī)(Multi-view generalized eigenvalue proximal support vector machine, MvGESVM)。它有效地結(jié)合兩個(gè)視角的特征通過(guò)引入一個(gè)多視角協(xié)同規(guī)范化項(xiàng)來(lái)最大化不同視角間假設(shè)的一致性,然后巧妙地把原來(lái)復(fù)雜的優(yōu)化問(wèn)題轉(zhuǎn)化成一個(gè)簡(jiǎn)單的廣義特征值問(wèn)題。其次,在MvGESVM的基礎(chǔ)上,通過(guò)用“減”代替“除”來(lái)度量?jī)深悩颖军c(diǎn)與超平面之間的距離差帶來(lái)一個(gè)更簡(jiǎn)單的特征值問(wèn)題,我們提出了多視角特征值最接近支持向量機(jī)(Multi-view eigenvalue proximal support vector machine, MvESVM)。最后,我們提出了基于梯度下降法的多視角特征值最接近支持向量機(jī)(Multi-view eigenvalue proximal support vector machine via gradient descent, MvGDSVM)。它通過(guò)引入和MvGESVM目同的多視角協(xié)同規(guī)范化項(xiàng)來(lái)結(jié)合兩個(gè)單視角的特征值最接近支持向量機(jī),然后利用梯度下降法來(lái)求解優(yōu)化問(wèn)題。利用核技巧,我們將線性的MvGESVM,線性的MvESVM和線性的MvGDSVM都泛化到非線性的情況。為了驗(yàn)證本文提出的三種多視角學(xué)習(xí)算法的有效性,我們?cè)诙鄠�(gè)UCI數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明了本文提出算法的有效性。
【關(guān)鍵詞】：多視角學(xué)習(xí) 廣義特征值最接近支持向量機(jī) 協(xié)同規(guī)范化 梯度下降
【學(xué)位授予單位】：華東師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP18
【目錄】：

• 摘要6-7
• ABSTRACT7-11
• 第一章 緒論11-16
• 1.1 研究背景與意義11-14
• 1.2 本文主要貢獻(xiàn)14-15
• 1.3 論文組織結(jié)構(gòu)15-16
• 第二章 本文研究的相關(guān)工作16-21
• 2.1 瑞利商性質(zhì)16
• 2.2 支持向量機(jī)16-18
• 2.3 SVM-2K18-19
• 2.4 多視角學(xué)習(xí)19-21
• 2.4.1 多視角學(xué)習(xí)原則19-21
• 第三章 多視角廣義特征值最接近支持向量機(jī)21-33
• 3.1 廣義特征值最接近支持向量機(jī)21-25
• 3.1.1 線性的GEPSVM21-23
• 3.1.2 核方法的GEPSVM23-25
• 3.2 多視角廣義特征值最接近支持向量機(jī)25-29
• 3.2.1 線性的MvGESVM25-27
• 3.2.2 核的MvGESVM27-29
• 3.3 實(shí)驗(yàn)29-31
• 3.3.1 數(shù)據(jù)集介紹和實(shí)驗(yàn)設(shè)置30-31
• 3.3.2 實(shí)驗(yàn)結(jié)果分析31
• 3.4 本章小結(jié)31-33
• 第四章 多視角特征值最接近支持向量機(jī)33-46
• 4.1 特征值最接近支持向量機(jī)33-36
• 4.1.1 線性的EPSVM33-35
• 4.1.2 核的EPSVM35-36
• 4.2 多視角特征值最接近支持向量機(jī)36-41
• 4.2.1 線性的MvESVM36-38
• 4.2.2 核的MvESVM38-41
• 4.3 實(shí)驗(yàn)41-44
• 4.3.1 數(shù)據(jù)集介紹和實(shí)驗(yàn)設(shè)置41-42
• 4.3.2 實(shí)驗(yàn)結(jié)果分析42-44
• 4.4 算法復(fù)雜度44-45
• 4.5 本章小結(jié)45-46
• 第五章 基于梯度下降法的多視角特征值最接近支持向量機(jī)46-56
• 5.1 梯度下降法46-47
• 5.2 基于梯度下降法的多視角特征值最接近支持向量機(jī)47-52
• 5.2.1 線性的MvGDSVM47-50
• 5.2.2 核的MvGDSVM50-52
• 5.3 實(shí)驗(yàn)52-55
• 5.3.1 數(shù)據(jù)集介紹和實(shí)驗(yàn)設(shè)置52-53
• 5.3.2 實(shí)驗(yàn)結(jié)果分析53-55
• 5.4 本章小結(jié)55-56
• 第六章 總結(jié)與展望56-58
• 6.1 本文總結(jié)56
• 6.2 研究展望56-58
• 參考文獻(xiàn)58-62
• 碩士期間的科研成果62-63
• 致謝63

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 曹志浩;;大型稀疏廣義特征值問(wèn)題的計(jì)算方法[J];振動(dòng)與沖擊;1984年01期

2 夏又生;;解廣義特征值問(wèn)題的半分法[J];南京郵電學(xué)院學(xué)報(bào);1991年04期

3 馮國(guó)環(huán) ,石中岳;廣義特征值解的波陣逆迭代算法[J];計(jì)算機(jī)工程與設(shè)計(jì);1983年03期

4 鄧健新;用Lanczos方法解高階稀疏矩陣廣義特征值問(wèn)題的某些經(jīng)驗(yàn)[J];數(shù)值計(jì)算與計(jì)算機(jī)應(yīng)用;1980年03期

5 薛長(zhǎng)峰,周樹荃;非對(duì)稱廣義特征值問(wèn)題的并行同倫-行列式算法[J];數(shù)值計(jì)算與計(jì)算機(jī)應(yīng)用;1999年03期

6 楊岳湘,李曉梅;廣義特征值問(wèn)題的多處理機(jī)算法[J];計(jì)算機(jī)工程與設(shè)計(jì);1993年02期

7 鄭家棟,顧幸;復(fù)對(duì)稱廣義特征值問(wèn)題的廣義Jacobi算法[J];計(jì)算機(jī)應(yīng)用與軟件;1987年03期

8 蘇博妮;謝宏;化希耀;;一種基于廣義特征值最大化的胎兒心電盲提取算法[J];微型機(jī)與應(yīng)用;2014年09期

9 高福安,高曉寧;動(dòng)力學(xué)反演的迭代過(guò)程及應(yīng)用[J];航空計(jì)算技術(shù);2001年03期

10 ;[J];;年期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前1條

1 樊久銘;何曉峰;;基于模態(tài)區(qū)間方法的動(dòng)力特征值算法研究[A];2010振動(dòng)與噪聲測(cè)試峰會(huì)論文集[C];2010年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前9條

1 董超;多視角廣義特征值最接近支持向量機(jī)[D];華東師范大學(xué);2016年

2 吳春輝;結(jié)構(gòu)矩陣的廣義特征值問(wèn)題的分量型條件數(shù)[D];東北師范大學(xué);2013年

3 劉紅;同倫方法求解廣義特征值問(wèn)題[D];新疆大學(xué);2008年

4 聶永明;對(duì)稱廣義特征值問(wèn)題的數(shù)值求解算法的研究[D];南昌大學(xué);2012年

5 鄭青;廣義特征值和奇異值問(wèn)題的統(tǒng)計(jì)條件數(shù)估計(jì)[D];復(fù)旦大學(xué);2010年

6 陸昊輝;廣義特征值問(wèn)題中的預(yù)處理方法[D];吉林大學(xué);2005年

7 柳春;計(jì)算廣義特征值問(wèn)題虧損特征對(duì)PUISEUX展開系數(shù)的模態(tài)法[D];華東理工大學(xué);2014年

8 常靜;廣義Jacobi矩陣的廣義特征值反問(wèn)題[D];大連交通大學(xué);2010年

9 陳登科;基于自由度縮減方法的結(jié)構(gòu)優(yōu)化[D];大連理工大學(xué);2010年

  本文關(guān)鍵詞：多視角廣義特征值最接近支持向量機(jī)，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：272916