导读:本文包含了正则化子论文开题报告文献综述及选题提纲参考文献，主要关键词:高光谱图像分类,最近邻正则化子空间,旋转不变线性判别分析,协同训练
正则化子论文文献综述
杨铖[1]（2019）在《基于最近邻正则化子空间的高光谱图像分类算法研究》一文中研究指出近几十年来,高光谱遥感作为一种重要的地球观测技术,获得了迅速的发展,其光谱分辨率可达纳米级,可以提供丰富的图像和光谱信息。在处理环境监测方面,如在农业、林业、生态系统监测和矿物识别等许多应用中显示出了很好的前景。因此,高光谱图像的分类研究具有重要的理论意义和实际应用价值。高光谱图像分类是基于图像像元的光谱和空间特征,对每个像元所代表的不同类别的地物进行类别属性的确定和标注,其区分地物类别的主要依据在于不同的地物种类有不同的光谱曲线和几何特征。然而高光谱图像光谱维较高,容易造成维数灾难,并且对其标注的成本也很高,此外高光谱图像经常会受到噪声以及数据缺失的影响,传统的高光谱分类算法在面临上述问题时大多存在一定的缺陷。本文以近些年较为活跃的最近邻正则化子空间(NRS,Nearest Regularized Subspace)作为基本框架,充分利用高光谱图像的光谱特性和几何特性,运用维数约简、协同训练和图像恢复的技巧设计了相应高效的算法。论文的主要工作和研究成果如下:1、对高光谱图像标注是很困难的,在训练样本不足时,大多数分类算法都不能得到令人满意的分类结果。针对这一问题,提出一种结合支持向量机(SVM,Support Vector Machine)与NRS的混合式协同训练算法。该算法下,SVM分类器和NRS分类器作为协同训练的基分类器,设计了伪标记样本的选择策略来扩充训练样本,并且结合超像素投票法实现高光谱图像分类。试验结果表明,所提算法在分类精度方面取得了更加优越的性能。2、高光谱图像光谱维较高,使用传统分类算法容易导致模型过拟合。针对这一问题,提出了一种结合NRS和旋转不变线性判别分析(RILDA,Rotational Invariant Linear Discriminant Analysis)的高光谱分类方法。该方法首先用RILDA方法对高光谱图像的光谱维进行降维,再用NRS方法对降维后的数据进行分类,最后结合超像素投票法实现高光谱图像分类。试验结果表明,所提算法在总分类精度和分类时间上都有了明显的提升。3、高光谱图像通常会受到噪声,遮挡或数据缺失的影响。对于大多数基于回归的方法来说,很难获得较好的性能。针对这一问题,提出了一种基于鲁棒回归的最近邻正则化子空间(R~2NRS,Robust Regression-Based Nearest Regularized Subspace)的高光谱分类方法。该方法在NRS模型中为像素的每个波段分配正则化的回归系数,以减少分类过程中污染波段的影响,并且结合超像素投票法实现高光谱图像分类。试验结果表明,当图像的某些波段被噪声或数据缺失污染时,所提方法具有更加优越的性能。(本文来源于《江苏大学》期刊2019-04-01）
常芳芳,裴炳南,李倩[2]（2018）在《基于改进的正则化子空间追踪算法的ISAR成像》一文中研究指出针对ISAR成像面对的大带宽和高速率采样等大数据问题,提出了基于改进的正则化子空间追踪算法(Modified Regularize Subspace Pursuit,MRSP)的ISAR成像方法。该方法采用压缩感知理论,将子空间追踪(Subspace Pursuit,SP)算法与正则化思想结合,采用回溯反馈和贪婪精选的方法进行支撑集选择,并利用黄金比例分割法确定正则化过程实现支撑集的二次筛选,最终能实现信号的精确重构。仿真实验表明,该算法对较少的回波数据进行重构,既能获得更加清晰的成像结果,又能进一步提高运算速度,是一种有效可行的重构算法。(本文来源于《探测与控制学报》期刊2018年02期）
熊明明[3]（2016）在《基于最小正则化子空间高光谱分类算法的研究》一文中研究指出高光谱图像技术的不断发展,使我们能够轻松获得丰富的地物信息。而图像分类作为高光谱图像处理之中重要的一环,受到了极大的关注。最小正则子空间分类算法,一种基于线性表达的模型,它将原有的联合表达空间模型引入吉洪诺夫正则因子来用于高光谱数据分类决策,使得整个线性模型对训练数据拟合的更好。通过研究发现,在最小正则子空间分类模型之中,存在一些明显不足,基于欧氏距离的吉洪诺夫正则化因子不能从光谱的结构上对光谱的差异性进行有效衡量,同时此模型在建立决策分类时仅仅考虑到高光谱图像数据谱间的特征,造成空间结构信息的浪费等。因此,本文针对这些问题提出叁个方面的改进：第一,原有基于欧氏距离的相似度衡量不能准确的反映光谱向量之间的关系,特别是相同物质之间,差别细微。通过引入其他光谱相似衡量,如光谱角度衡量,光谱信息散度等,提高了整个算法性能。第二,针对目前分类模型仅仅考虑到高光谱图像数据谱间的特征,忽略了高光谱图像中结构信息的重要性,提出了基于谱间和空间信息模型结合的高光谱图像分类模型算法。深入研究马尔科夫随机场模型,将其应用于最小正则子空间分类算法,实现了对图像的不同物质进行更精确的划第叁,依据领域系统,将周围像素结合起来实现对中心的联合表达,同时自适应减弱与中心像素点差异太大的像素对表达的影响,本文中采用高斯模型来呈现整个空间信息的表达。提高了模型的分类性能,为空间结构信息在高光谱图像分类处理中的应用提供一个方向。(本文来源于《北京化工大学》期刊2016-06-03）
党騤,马林华,田雨,孙玉雪,胡星[4]（2014）在《基于压缩感知的正则化子空间追踪算法》一文中研究指出压缩感知理论是一种新的在采样的同时实现压缩的采样过程,只要被采样信号是稀疏或可压缩的,就可以保证精确重建。通过研究总结已有的贪婪追踪类重建算法,提出了一种正则化子空间追踪算法(Regularized Subspace Pursuit,RSP)。正则化正交匹配追踪算法(Regularized Orthogonal Matching Pursuit,ROMP)的正则化方法对原子的能量分级思想,对信号的重建精度和重建速度有很大影响。首先对该方法的不合理性进行改进,然后将改进的正则化步骤引入到子空间追踪算法(Subspace Pursuit,SP)中,最终达到对原始信号的快速精确重建。实验仿真表明,该算法比SP算法更高效,更具有实际应用意义。(本文来源于《电视技术》期刊2014年15期）
徐泽芳,刘顺兰[5]（2015）在《一种自适应正则化子空间追踪算法》一文中研究指出针对压缩感知中未知稀疏度信号的重建问题,提出一种新的压缩感知的信号重建算法,即自适应正则化子空间追踪(Adaptive Regularized Subspace Pursuit,ARSP)算法,该算法将自适应思想、正则化思想与子空间追踪(Subspace Pursuit,SP)算法相结合,在未知信号稀疏度的情况下,自适应地选择支撑集原子的个数,利用正则化过程实现支撑集的二次筛选,最终能实现信号的精确重构。仿真结果表明,该算法能够精确重构原始信号,重建效果优于SP算法、正则化正交匹配追踪(ROMP)算法、稀疏度自适应匹配追踪(SAMP)算法、压缩采样匹配追踪(CoSaMP)算法等。(本文来源于《计算机工程与应用》期刊2015年03期）
张瑞,李功胜[6]（2006）在《求解病态问题的一种新的正则化子与正则化算法》一文中研究指出根据紧算子的奇异系统理论,提出了一种新的正则化子,进而建立了一类新的求解病态问题的正则化方法。证明了正则解的收敛性并得到了其最优的渐近收敛阶,数值算例说明文中建立的正则化算法是可行而有效的。(本文来源于《工程数学学报》期刊2006年01期）
李功胜,马逸尘[7]（2000）在《应用正则化子建立求解不适定问题的正则化方法的探讨》一文中研究指出根据紧算子的奇异系统理论，提出一种新的正则化子进而建立了一类新的求解不适定问题的正则化方法．分别通过正则参数的先验选取和后验确定方法，证明了正则解的收敛性并得到了其最优的渐近收敛阶；验证了应用Ｎｅｗｔｏｎ迭代法计算最佳参数的可行性，最后建立了当算子与右端均有扰动时相应的正则化求解策略．文中所述方法完善了一般优化正则化策略的构造理论．(本文来源于《数学进展》期刊2000年06期）
李功胜[8]（2000）在《迭代Tikhonov正则化的正则化子及其应用》一文中研究指出应用紧算子的奇异系统给出了迭代Tikhonov正则化子．选验选取则参数证明了迭代Tikhonov正则解具有最优的渐近收敛阶。(本文来源于《新乡师范高等专科学校学报》期刊2000年02期）
正则化子论文开题报告
（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ISAR成像面对的大带宽和高速率采样等大数据问题,提出了基于改进的正则化子空间追踪算法(Modified Regularize Subspace Pursuit,MRSP)的ISAR成像方法。该方法采用压缩感知理论,将子空间追踪(Subspace Pursuit,SP)算法与正则化思想结合,采用回溯反馈和贪婪精选的方法进行支撑集选择,并利用黄金比例分割法确定正则化过程实现支撑集的二次筛选,最终能实现信号的精确重构。仿真实验表明,该算法对较少的回波数据进行重构,既能获得更加清晰的成像结果,又能进一步提高运算速度,是一种有效可行的重构算法。
（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。
正则化子论文参考文献
[1].杨铖.基于最近邻正则化子空间的高光谱图像分类算法研究[D].江苏大学.2019
[2].常芳芳,裴炳南,李倩.基于改进的正则化子空间追踪算法的ISAR成像[J].探测与控制学报.2018
[3].熊明明.基于最小正则化子空间高光谱分类算法的研究[D].北京化工大学.2016
[4].党騤,马林华,田雨,孙玉雪,胡星.基于压缩感知的正则化子空间追踪算法[J].电视技术.2014
[5].徐泽芳,刘顺兰.一种自适应正则化子空间追踪算法[J].计算机工程与应用.2015
[6].张瑞,李功胜.求解病态问题的一种新的正则化子与正则化算法[J].工程数学学报.2006
[7].李功胜,马逸尘.应用正则化子建立求解不适定问题的正则化方法的探讨[J].数学进展.2000
[8].李功胜.迭代Tikhonov正则化的正则化子及其应用[J].新乡师范高等专科学校学报.2000
标签：高光谱图像分类; 最近邻正则化子空间; 旋转不变线性判别分析; 协同训练;