导读:本文包含了判别型典型相关分析论文开题报告文献综述及选题提纲参考文献，主要关键词:典型相关分析,标签预测,判别投影,联合学习
判别型典型相关分析论文文献综述
周凯伟,万建武,王洪元,马宏亮[1]（2019）在《联合标签预测与判别投影学习的半监督典型相关分析》一文中研究指出目的典型相关分析是一种经典的多视图学习方法。为了提高投影方向的判别性能,现有典型相关分析方法通常采用引入样本标签信息的策略。然而,获取样本的标签信息需要付出大量的人力与物力,为此,提出了一种联合标签预测与判别投影学习的半监督典型相关分析算法。方法将标签预测与模型构建相融合,具体地说,将标签预测融入典型相关分析框架中,利用联合学习框架学得的标签矩阵更新投影方向,进而学得的投影方向又重新更新标签矩阵。标签预测与投影方向的学习过程相互依赖、交替更新,预测标签不断地接近其真实标签,有利于学得最优的投影方向。结果本文方法在AR、Extended Yale B、Multi-PIE和ORL这4个人脸数据集上分别进行实验。特征维度为20时,在AR、Extended Yale B、Multi-PIE和ORL人脸数据集上分别取得87%、55%、83%和85%识别率。取训练样本中每人2(3,4,5)幅人脸图像为监督样本,提出的方法识别率在4个人脸数据集上均高于其他方法。训练样本中每人5幅人脸图像为监督样本,在AR、Extended Yale B、Multi-PIE和ORL人脸数据集上分别取得94. 67%、68%、83%和85%识别率。实验结果表明在训练样本标签信息较少情况下以及特征降维后的维数较低的情况下,联合学习模型使得降维后的数据最大限度地保存更加有效的信息,得到较好的识别结果。结论本文提出的联合学习方法提高了学习的投影方向的判别性能,能够有效地处理少量的有标签样本和大量的无标签样本的情况以及解决两步学习策略的缺陷。(本文来源于《中国图象图形学报》期刊2019年07期）
张芳娟,杨燕,杜圣东[2]（2018）在《基于增强特征判别性的典型相关分析和分类集成的助学金预测方法》一文中研究指出针对高校资助管理办法效率低下、工作量大等问题,提出一种增强特征判别性的典型相关分析(ENDCCA)方法,并结合分类集成方法实现高校学生助学金预测。将学生在校多维度数据划分为两个不同视图,已有的各种多视图判别典型相关分析算法没有综合考虑视图类别之间的相关性和视图组合特征的判别性两者因素。ENDCCA的优化目标在最大化类内相关的同时最小化类间相关,并且考虑了视图组合特征的判别性,进一步强化了属性的判别性能,更有利于分类预测。高校学生助学金预测的实现过程:首先,根据学生生活行为和学习表现将数据预处理为两个不同视图,然后用EN-DCCA方法对这两个视图数据进行特征学习,最后用分类集成方法完成预测。在真实的数据集上进行实验,所提方法的预测准确率达到90.01%,较增强视图组合特征判别性的典型相关分析(CECCA)的集成方法提高了2个百分点,实验结果表明,所提方法能有效实现高校助学金预测。(本文来源于《计算机应用》期刊2018年11期）
吴昊[3]（2018）在《基于半监督多视图数据的判别典型相关分析研究》一文中研究指出近年来,模式识别作为人工智能的重要组成部分,广泛的应用于图像识别、语音识别、文字识别等领域。典型相关分析(Canonical Correlation Analysis,CCA)是模式识别的一种经典算法,研究的主要是两个视图之间的的相关性。但是CCA不能利用样本的类信息,限制了 CCA的实际降维性能。判别典型相关分析(Discriminative Canonical Correlation Analysis,DCCA)基于CCA而发展,其抽取的特征能够表示样本的判别结构。但是在实际应用中,DCCA不能利用现实中大量的无标签样本信息,所以往往表现不佳。半监督学习能够在利用少量的标签样本信息的同时,利用大量的无标签样本信息来提高识别性能。因此,本文在半监督的数据场景下,基于DCCA展开相应的研究。论文主要工作如下:(1)本文希望利用大量无标号样本信息来刻画高维数据的流形结构,从而提高识别性能。因此,对于半监督数据,本文提出了流形正则化判别典型相关分析算法(MRDCCA)。MRDCCA能够使用标签样本信息来保留判别信息的同时,通过加入拉普拉斯正则化项来评估所有数据的本质几何结构。所以,该算法不仅仅能够利用DCCA方法的优点,而且能够保留数据的流形结构。在多特征手写体数据集和人脸数据集(Yale和ORL)上表明,此方法具有较高的识别率。(2)通过引入主成分分析(Principal Component Analysis,PCA)的思想,用两个平衡参数将PCA算法与DCCA算法相结合,本文提出了基于主成分分析的半监督判别典型相关分析(PSDCCA)。PSDCCA能够平滑的连接PCA和DCCA的特征值求解问题。一方面能够通过DCCA模型,充分利用样本的判别信息;另一方面,也能利用PCA算法使用大量的无标签样本信息,探求出空间数据的分布情况。在一些数据集上的实验结果表明,PSDCCA能够利用少量的标签信息和大量的无标签信息提高分类识别性能。(3)为了能够充分的使用大量的无标签样本信息,本文提出了将判别典型相关分析应用于半监督数据的两阶段法(DCCA_2)。此方法能够先利用DCCA算法,将样本的标签信息考虑在内,从而最大化同类样本之间的相关性。而且通过采用LPP算法对少量标签样本信息和大量无标签样本信息进行处理,使得原始空间中近邻的点在降维后也依旧靠近,更好的保留了隐藏在数据中的流形结构。一些实验结果证明,DCCA_2具有比较好的识别效果。(本文来源于《扬州大学》期刊2018-04-01）
周航星,陈松灿[4]（2014）在《有序判别典型相关分析》一文中研究指出多视图学习方法通过视图间互补信息的融合,达到增强单一视图方法的鲁棒性并提升学习性能的目的.典型相关分析(canonical correlation analysis,简称CCA)是一种重要的多视图信息融合技术.其研究的是针对同一组目标两组不同观测数据间的相关性,目标是得到一组相关性最大的投影向量.但当面对标号有序的分类任务时,CCA因没有利用类信息和类间有序信息,造成了对分类性能的制约.为此,通过将有序类信息嵌入CCA进行扩展,发展出有序判别典型相关分析(ordinal discriminative canonical correlation analysis,简称OR-DisCCA).实验结果表明,OR-DisCCA的性能比相关方法更优.(本文来源于《软件学报》期刊2014年09期）
陈敏琼[5]（2013）在《典型相关分析与Fisher判别法关系探讨》一文中研究指出文章从典型相关分析的原理及相关结论出发,探讨了典型相关分析与多元线性回归分析之间的关系,并利用其相关结论导出了典型相关分析与Fisher判别法的种种关系,最后以一实例分别借助SPSS与SAS输出结果对其关系给予了印证说明。(本文来源于《统计与决策》期刊2013年02期）
周旭东,陈晓红,陈松灿[6]（2012）在《增强组合特征判别性的典型相关分析》一文中研究指出典型相关分析(CCA)在执行分类任务时主要存在如下不足:1)尽管分类时的输入是组合特征,但CCA仅优化组合特征的各组成部分,并未直接优化组合特征本身;2)尽管面对的是分类任务,然而CCA根本无法利用样本的类信息.为弥补CCA的上述不足,文中提出一种监督型降维方法——增强组合特征判别性的典型相关分析(CECCA).CECCA在CCA基础上,通过结合组合特征的判别分析,实现对组合特征相关性与判别性的联合优化,使所抽取特征更适合分类.在人工数据集、多特征手写体数据集和人脸数据集上的实验结果验证该方法的有效性.(本文来源于《模式识别与人工智能》期刊2012年02期）
刘云东,崔琳,郝汝岗[7]（2012）在《一种广义局部判别型典型相关分析算法》一文中研究指出在局部鉴别典型相关分析(LDCCA)的基础上,提出一种广义局部判别型典型相关分析算法(GLDCCA)。该算法在准则函数的内协方差矩阵中引入样本类别信息,使其提取的特征更有利于模式分类,采用核主成份分析解决小样本问题,克服传统PCA所受到的线性约束。在人工数据集以及ORL和Yale 2个人脸库上进行实验,结果表明,与CCA算法和LDCCA算法相比,GLDCCA算法具有更高的识别性能。(本文来源于《计算机工程》期刊2012年07期）
王辰[8]（2011）在《基于判别型典型相关分析的多流形识别》一文中研究指出在传统的识别问题中,通常以物体的单个或者很少量的样本为单位进行训练和识别。随着视频采集设备的更新换代以及网络资源的触手可及,人们获取到的图像涵盖了物体的各种表观变化,比如拍摄角度的变化、光照方向的变化等等,从而为分类问题提供了大量的样本。因此,如今基于图像集的识别问题受到了越来越广泛的关注,得到了越来越普遍的应用。但是采集到的图像数据往往是高维数、非线性的,这导致了“维数灾难”现象的出现,并给直接理解及分析图像集蕴含的内在结构带来了很大的困难。因此,利用降维技术对高维数据进行处理是识别问题中的重要步骤。其中,基于流形学习的数据降维由于其发现和保持图像数据的高度非线性内在几何结构的有效性,而成为最热门最普遍的识别研究方法。经典的流形学习方法如ISOMAP,LLE等,以单幅图像为单位进行输入,从流形学习的角度将训练集的图像构建成单流形。本文针对基于图像集的识别问题,其输入单位为图像集,将每个图像集构建成流形,基于图像集的识别问题就转化成多流形识别问题。本文在结合流形学习和图像集识别的研究中做的主要工作包括:1.在流形-流形距离计算的理论框架下,本文从理论上和实验上阐述了构建局部线性模块的方法、局部子空间之间的距离度量、多流形识别的方法。2.本文提出的基于判别型典型相关分析的多流形识别(Multi-manifold Recognition Based on Discriminative-analysis of Canonical Correlations,MRDCC)方法在基于图像集的人脸识别数据库和物体识别图像库上进行系统的实验验证。实验结果表明,MRDCC方法作为一种图像集匹配方法,在本文实验采用的数据库上具有优于其他对比方法的性能。3.本文提出以局部子空间为单位进行训练和匹配,将流形-流形的匹配问题转化成子空间-子空间的匹配问题。综上所述,本文提出一种有效的多流形识别算法,算法的有效性在Honda/UCSD人脸视频库和ETH-80物体识别库上进行验证,并在子空间-子空间匹配问题上进行有益的探索。(本文来源于《东北师范大学》期刊2011-05-01）
黄丽坤,皮亦鸣[9]（2010）在《基于二维判别典型相关分析的人脸识别算法》一文中研究指出本文提出了一种新的基于典型相关分析的人脸识别算法,叫做二维判别典型相关分析(2D-DCCA)。该算法将2阶张量的概念引入了典型相关分析方法中。传统的典型相关分析方法中,样本是用高维的向量表示的,不仅计算量大,而且常常出现内存不足,协方差矩阵有奇异性等问题。本文算法不仅将样本的向量表达改为矩阵表达,并且充分利用样本的类内和类间信息来优化目标函数,从而使得该算法获得了诸多优点:首先,使得学习出的子空间维数降低,从而计算量和计算时间都大大减少;其次,有效地避免了协方差矩阵的奇异性问题;最后,由于目标函数的优化利用了样本的类信息,从而更有利于最邻近分类器进行判别。实验表明,在人脸角度变化时,该方法具有稳定的识别性能。(本文来源于《信号处理》期刊2010年07期）
彭岩,张道强[10]（2008）在《局部判别型典型相关分析算法》一文中研究指出在典型相关分析(CCA)的基础上,通过引入样本的类信息,并结合局部化思想,充分考虑了同类样本之间的局部相关与不同类样本之间的局部相关关系及其对分类的影响,提出了一种新的有监督学习方法——局部判别型CCA(Locality Discriminative CCA,简记为LDCCA)。LDCCA提取的特征能够实现同类样本之间相关最大化,同时使得不同类样本之间相关最小化,这将有利于模式的分类。在人工数据集,手写体数字数据集上和ORL,Yale和AR人脸数据集的实验结果表明,LDCCA能有效地利用类信息来提高分类性能。(本文来源于《计算机工程与应用》期刊2008年21期）
判别型典型相关分析论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对高校资助管理办法效率低下、工作量大等问题,提出一种增强特征判别性的典型相关分析(ENDCCA)方法,并结合分类集成方法实现高校学生助学金预测。将学生在校多维度数据划分为两个不同视图,已有的各种多视图判别典型相关分析算法没有综合考虑视图类别之间的相关性和视图组合特征的判别性两者因素。ENDCCA的优化目标在最大化类内相关的同时最小化类间相关,并且考虑了视图组合特征的判别性,进一步强化了属性的判别性能,更有利于分类预测。高校学生助学金预测的实现过程:首先,根据学生生活行为和学习表现将数据预处理为两个不同视图,然后用EN-DCCA方法对这两个视图数据进行特征学习,最后用分类集成方法完成预测。在真实的数据集上进行实验,所提方法的预测准确率达到90.01%,较增强视图组合特征判别性的典型相关分析(CECCA)的集成方法提高了2个百分点,实验结果表明,所提方法能有效实现高校助学金预测。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
判别型典型相关分析论文参考文献
[1].周凯伟,万建武,王洪元,马宏亮.联合标签预测与判别投影学习的半监督典型相关分析[J].中国图象图形学报.2019
[2].张芳娟,杨燕,杜圣东.基于增强特征判别性的典型相关分析和分类集成的助学金预测方法[J].计算机应用.2018
[3].吴昊.基于半监督多视图数据的判别典型相关分析研究[D].扬州大学.2018
[4].周航星,陈松灿.有序判别典型相关分析[J].软件学报.2014
[5].陈敏琼.典型相关分析与Fisher判别法关系探讨[J].统计与决策.2013
[6].周旭东,陈晓红,陈松灿.增强组合特征判别性的典型相关分析[J].模式识别与人工智能.2012
[7].刘云东,崔琳,郝汝岗.一种广义局部判别型典型相关分析算法[J].计算机工程.2012
[8].王辰.基于判别型典型相关分析的多流形识别[D].东北师范大学.2011
[9].黄丽坤,皮亦鸣.基于二维判别典型相关分析的人脸识别算法[J].信号处理.2010
[10].彭岩,张道强.局部判别型典型相关分析算法[J].计算机工程与应用.2008