隨著新技術(shù)的不斷出現(xiàn),目標(biāo)識別從以往針對單源的研究向多源發(fā)展。不同類別的數(shù)據(jù)源從多個(gè)角度對目標(biāo)進(jìn)行描述,帶來了數(shù)據(jù)量的激增,在拓展識別分類特征內(nèi)涵的同時(shí),也帶來大量信息冗余和數(shù)據(jù)相關(guān),導(dǎo)致“維數(shù)災(zāi)難”的問題,嚴(yán)重影響機(jī)器學(xué)習(xí)的效率與分類算法的性能。如何有效篩選并利用各類傳感器提供的信息具有重要的研究價(jià)值及現(xiàn)實(shí)意義。特征選擇算法,是海量數(shù)據(jù)高價(jià)值信息篩選的典型途徑之一,作為一種有效的降維方法廣泛應(yīng)用于模式分類和目標(biāo)識別等多重領(lǐng)域。因此,本文立足于信息論的基礎(chǔ)理論,以信息熵作為基本度量策略,開展服務(wù)于目標(biāo)識別應(yīng)用的多特征選擇方法研究。首先,針對傳統(tǒng)基于互信息的特征選擇算法中評價(jià)準(zhǔn)則函數(shù)度量量級不均衡的問題,提出了一種結(jié)合排序的rMIFS（ranking MIFS）算法。算法采用先將相關(guān)度具體數(shù)值進(jìn)行由小到大排序,而后再使用排序的序號來替代其具體數(shù)值的方法,改善了評價(jià)準(zhǔn)則函數(shù)在特征選擇后期具有傾向性的缺陷。在公開數(shù)據(jù)集上驗(yàn)證所提方法的有效性,結(jié)果表明所提rMIFS算法提高了特征選擇全過程中評價(jià)準(zhǔn)則函數(shù)的公正性,從而提高了所選最優(yōu)子集的分類能力。然后,針對Shannon互信息在計(jì)算上嚴(yán)重依賴概... 

【文章來源】：國防科技大學(xué)湖南省 211工程院校 985工程院校

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 特征選擇的定義
        1.2.2 特征選擇的分類
        1.2.3 特征選擇的關(guān)鍵環(huán)節(jié)
    1.3 論文研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 相關(guān)預(yù)備知識
    2.1 引言
    2.2 信息論相關(guān)知識
        2.2.1 熵的定義
        2.2.2 互信息的定義
    2.3 基于互信息的特征選擇方法
        2.3.1 符號說明
        2.3.2 相關(guān)性、冗余性、互補(bǔ)性
        2.3.3 最優(yōu)子集
        2.3.4 搜索策略
    2.4 多源圖像融合目標(biāo)識別任務(wù)中的特征選擇
        2.4.1 多源圖像融合處理的常規(guī)步驟
        2.4.2 融合識別中特征選擇面臨的難點(diǎn)
        2.4.3 可見光與紅外圖像融合
    2.5 本章小結(jié)
第三章 基于互信息的特征選擇方法
    3.1 引言
    3.2 MIFS特征選擇算法的發(fā)展及變種
        3.2.1 評價(jià)準(zhǔn)則函數(shù)的發(fā)展
        3.2.2 熵的估值
    3.3 問題的提出
    3.4 一種結(jié)合排序的特征選擇算法
        3.4.1 rMIFS算法設(shè)計(jì)思路
        3.4.2 rMIFS算法具體流程
    3.5 一種基于生存Cauchy-Schwartz互信息的特征選擇算法
        3.5.1 生存Cauchy-Schwartz互信息
        3.5.2 SCS-r MIFS算法具體流程
    3.6 實(shí)驗(yàn)結(jié)果及分析
        3.6.1 實(shí)驗(yàn)設(shè)置
        3.6.2 實(shí)驗(yàn)結(jié)果及分析
    3.7 本章小結(jié)
第四章 融合圖像分割中的特征選擇方法
    4.1 引言
    4.2 簡單線性迭代聚類超像素分割算法
    4.3 問題的提出
    4.4 語義知識導(dǎo)引的改進(jìn)SLIC算法
        4.4.1 語義知識導(dǎo)引的SLIC融合特征選擇
        4.4.2 基于融合特征的SLIC改進(jìn)算法
    4.5 實(shí)驗(yàn)結(jié)果及分析
        4.5.1 數(shù)據(jù)準(zhǔn)備
        4.5.2 實(shí)驗(yàn)結(jié)果及分析
    4.6 本章小結(jié)
第五章 結(jié)束語
    5.1 本文工作總結(jié)
    5.2 未來研究展望
致謝
參考文獻(xiàn)
作者在學(xué)期間取得的學(xué)術(shù)成果


【參考文獻(xiàn)】：
期刊論文
[1]特征融合的卷積神經(jīng)網(wǎng)絡(luò)多波段艦船目標(biāo)識別[J]. 劉峰,沈同圣,馬新星.  光學(xué)學(xué)報(bào). 2017(10)
[2]特征選擇方法綜述[J]. 姚旭,王曉丹,張玉璽,權(quán)文.  控制與決策. 2012(02)
[3]一種快速的Wrapper式特征子集選擇新方法[J]. 葉吉祥,龔希齡.  長沙理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2010(04)
[4]特征選擇算法研究綜述[J]. 毛勇,周曉波,夏錚,尹征,孫優(yōu)賢.  模式識別與人工智能. 2007(02)
[5]基于特征點(diǎn)對齊度的圖像配準(zhǔn)方法[J]. 葛永新,楊丹,張小洪.  電子與信息學(xué)報(bào). 2007(02)
[6]特征選擇方法綜述[J]. 王娟,慈林林,姚康澤.  計(jì)算機(jī)工程與科學(xué). 2005(12)
[7]基于特征級數(shù)據(jù)融合的遙感圖像重構(gòu)模式研究[J]. 付煒.  電子學(xué)報(bào). 2005(06)
[8]基于Choquet模糊積分的決策層信息融合目標(biāo)識別[J]. 劉永祥,黎湘,莊釗文.  電子與信息學(xué)報(bào). 2003(05)
[9]多傳感器圖像自動配準(zhǔn)技術(shù)研究[J]. 鈕永勝,倪國強(qiáng).  光學(xué)技術(shù). 1999(01)

博士論文
[1]多源信息特征提取與融合及其在信息管理中的應(yīng)用[D]. 王洪波.合肥工業(yè)大學(xué) 2015
[2]高維數(shù)據(jù)的特征選擇與特征提取研究[D]. 蔣勝利.西安電子科技大學(xué) 2011
[3]基于信息熵的特征選擇算法研究[D]. 劉華文.吉林大學(xué) 2010

碩士論文
[1]“轉(zhuǎn)化”與“融和”：視覺識別系統(tǒng)中“圖形”與“空間”的關(guān)系研究[D]. 李濼萌.上海師范大學(xué) 2013
[2]基于融合的醫(yī)學(xué)圖像特征選擇和分割方法研究[D]. 李衛(wèi)偉.蘇州大學(xué) 2010
[3]數(shù)據(jù)級與特征級上的數(shù)據(jù)融合方法研究[D]. 張保梅.蘭州理工大學(xué) 2005



本文編號：2907133