导读:本文包含了叶分量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:小样本,增量式学习,叶分量分析,在线学习
叶分量分析论文文献综述
纪昂,姚丹,郭跃飞[1]（2009）在《一种基于叶分量分析的带有监督信息的在线学习方法》一文中研究指出在一些模式识别应用中,具有类属信息的样本数量较少,此时监督学习算法会遇到小样本问题,导致分类器的识别精度大幅低于预期水平。基于叶分量分析,提出一种带监督信息的在线学习方法。该方法在训练过程进行监督学习,而在模式识别阶段能够在对输入样本进行分类的同时基于这些样本进行非监督在线学习,因此实现了监督学习与非监督学习的结合。在小本量情况下,在线学习可以弥补训练阶段监督学习的不足,仍能保证获得较高的识别精度。实验证明,该方法能够有效克服小样本问题。(本文来源于《计算机应用与软件》期刊2009年08期）
纪昂[2]（2008）在《一种基于叶分量分析的在线学习算法及其在人脸识别中的应用》一文中研究指出模式的特征表示及提取是模式识别中的一个重要问题,特征表示及提取的有效性对于分类等问题的解决具有决定性作用。在诸如计算机视觉等领域中,数据往往具有较高维数,此时,出于计算可行性的考虑,需要能够用具有较低维数的特征来表示原始数据的形态特征。子空间方法是一类为人们所关注并被广泛应用的特征学习方法,尤其是在解决高维模式识别问题方面被证明是十分有效的。传统的子空间方法采用批处理的方式进行特征学习,最近几年,增量式子空间方法的研究开始受到人们的关注,这一类子空间方法可以使用最新得到的观测数据对特征表示进行动态更新,增量式子空间方法的这一特性使得该类子空间方法可以实现在线学习,即在进行模式分类的过程中使用待分类样本进行特征学习。在线学习的优点在于它可以充分利用模式分类任务执行过程中获取到的大量输入样本。在很多应多场合中,训练阶段所能获取到的样本数量有限或者训练样本的分布不具有很好的代表性,此时,单纯依靠训练样本所提取到的特征根本不能够胜任构建可用分类器的任务。在这种情况下,在线学习算法则能够通过在线学习的方式在一定程度上克服训练阶段的训练不足问题。此外,在非静态系统中,观测样本的概率分布情况是处于不断的变化中的,此时,通过训练样本所获得的静态特征模型往往不能适用于对观测样本的分类任务,在这种场合下,在线学习算法可以凭借对特征模型的持续调整来跟踪观测样本概率密度分布的变化。本文基于最近被提出的一种增量式子空间方法—叶分量分析方法(LCA),提出一种在线学习算法—LCA-BOLL。本文所提出的在线学习算法具有不同于以往子空间在线学习算法的特征:(1)LCA-BOLL的特征分量具有类标号信息;(2)LCA-BOLL结合了监督学习与非监督学习;(3)LCA-BOLL的在线特征学习过程与模式分类过程是紧密结合的。本文将所提出的LCA-BOLL算法应用于静态图像人脸识别及图像序列中的人脸识别问题中。在静态图像人脸识别应用中,LCA-BOLL方法被用于解决训练样本数目较小情况下特征学习算法所遭遇的小样本量问题。在图像序列人脸识别问题中,针对人脸姿态角度变化较大的问题,我们提出一种用LCA-BOLL来解决这一问题的方法。通过实验,我们证明LCA-BOLL能够有效得解决上述问题。在人脸识别问题中的成功应用表明了LCA-BOLL算法在对样本空间特征进行在线学习的有效性。(本文来源于《复旦大学》期刊2008-05-23）
叶分量分析论文开题报告
（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：
模式的特征表示及提取是模式识别中的一个重要问题,特征表示及提取的有效性对于分类等问题的解决具有决定性作用。在诸如计算机视觉等领域中,数据往往具有较高维数,此时,出于计算可行性的考虑,需要能够用具有较低维数的特征来表示原始数据的形态特征。子空间方法是一类为人们所关注并被广泛应用的特征学习方法,尤其是在解决高维模式识别问题方面被证明是十分有效的。传统的子空间方法采用批处理的方式进行特征学习,最近几年,增量式子空间方法的研究开始受到人们的关注,这一类子空间方法可以使用最新得到的观测数据对特征表示进行动态更新,增量式子空间方法的这一特性使得该类子空间方法可以实现在线学习,即在进行模式分类的过程中使用待分类样本进行特征学习。在线学习的优点在于它可以充分利用模式分类任务执行过程中获取到的大量输入样本。在很多应多场合中,训练阶段所能获取到的样本数量有限或者训练样本的分布不具有很好的代表性,此时,单纯依靠训练样本所提取到的特征根本不能够胜任构建可用分类器的任务。在这种情况下,在线学习算法则能够通过在线学习的方式在一定程度上克服训练阶段的训练不足问题。此外,在非静态系统中,观测样本的概率分布情况是处于不断的变化中的,此时,通过训练样本所获得的静态特征模型往往不能适用于对观测样本的分类任务,在这种场合下,在线学习算法可以凭借对特征模型的持续调整来跟踪观测样本概率密度分布的变化。本文基于最近被提出的一种增量式子空间方法—叶分量分析方法(LCA),提出一种在线学习算法—LCA-BOLL。本文所提出的在线学习算法具有不同于以往子空间在线学习算法的特征:(1)LCA-BOLL的特征分量具有类标号信息;(2)LCA-BOLL结合了监督学习与非监督学习;(3)LCA-BOLL的在线特征学习过程与模式分类过程是紧密结合的。本文将所提出的LCA-BOLL算法应用于静态图像人脸识别及图像序列中的人脸识别问题中。在静态图像人脸识别应用中,LCA-BOLL方法被用于解决训练样本数目较小情况下特征学习算法所遭遇的小样本量问题。在图像序列人脸识别问题中,针对人脸姿态角度变化较大的问题,我们提出一种用LCA-BOLL来解决这一问题的方法。通过实验,我们证明LCA-BOLL能够有效得解决上述问题。在人脸识别问题中的成功应用表明了LCA-BOLL算法在对样本空间特征进行在线学习的有效性。
（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。
叶分量分析论文参考文献
[1].纪昂,姚丹,郭跃飞.一种基于叶分量分析的带有监督信息的在线学习方法[J].计算机应用与软件.2009
[2].纪昂.一种基于叶分量分析的在线学习算法及其在人脸识别中的应用[D].复旦大学.2008