导读:本文包含了稀疏保持投影论文开题报告文献综述及选题提纲参考文献，主要关键词:多特征集典型相关分析,核稀疏保持投影算法,特征融合,水下目标识别
稀疏保持投影论文文献综述
杨宏晖,伊淑珍[1]（2019）在《基于多核稀疏保持投影的多特征集典型相关分析的水下目标特征融合方法》一文中研究指出针对水下目标识别特征样本集高维小样本问题,提出了基于多核稀疏保持投影的多特征集典型相关分析的水下目标特征融合方法。该方法用多特征集典型相关分析算法对多域特征的整体相关程度进行定量分析,去除冗余和噪声特征,实现多域特征的融合,并利用多核稀疏保持投影算法,对提取的多域特征样本的稀疏重构性加以约束,增强了特征的判别能力。利用实测舰船辐射噪声数据验证基于核稀疏保持投影的多特征集典型相关分析的水下目标特征融合方法的有效性,与多特征集典型相关分析方法和核稀疏保持投影典型相关分析方法进行了对比,实验研究表明,提出的方法可以有效去除冗余和噪声特征,实现多域水下目标特征的融合,提高水下目标的识别正确率。(本文来源于《西北工业大学学报》期刊2019年01期）
卢春红,王杰华,文万志[2]（2019）在《非局部约束下的局部稀疏保持投影及其在故障检测中的应用》一文中研究指出局部保持投影,保持数据的邻域关系,已成功应用于过程监测.然而,局部保持投影忽略了非局部结构信息,不能保证远距离样本之间的关系.最近提出的局部保持稀疏模型,利用稀疏编码获得一组超完备基,较好地表征原始数据的内在结构特征.鉴于稀疏编码能够较好地实现过程数据的局部稀疏表示,提出了非局部约束下的局部稀疏保持投影方法.首先,利用稀疏编码获取表征全局结构信息的稀疏码;其次,在非局部关系约束下保持局部结构特征,估计出不同稀疏码的概率密度,赋以相应权重,以便突出其对故障的贡献度;然后,融合过程状态信息构建合成统计量指标实施故障检测;最后,将提出的方法用于数值系统和TE化工过程仿真验证,并与现有的几种模型进行对比,结果表明了该方法的优越性.(本文来源于《信息与控制》期刊2019年01期）
康培培[3]（2018）在《稀疏表示和局部保持投影特征学习方法研究》一文中研究指出局部保持投影法是一种典型的基于图的特征学习方法,其先构建一个描述各数据间关系的图,再基于该关系图进行特征提取。这种分两步的特征提取方法存在以下缺陷:其一为关系图的构建依赖于参数选择及距离衡量方式,对参数值及噪声数据敏感,不易于构建刻画数据间关系的图;其二为将图学习与特征学习分开为独立的两部分,忽略了两个相关步骤之间的联系,所以构建的图对于特征学习可能并不是最优的。基于此,本文从避免参数影响图构建的角度出发,考虑了图学习与特征学习存在的潜在联系,改善了图学习的方式,改进了局部保持投影的特征学习框架,使改进后的算法能够将图学习与特征学习同时进行。此外,在图构建过程中没有人为参数或全局参数影响,而是自适应地学习反映数据关系的图结构,并同时学习具有识别性的特征,使提取后的特征取得较优的识别效果。本文在原有局部保持投影特征学习方法的基础上,将图与投影矩阵的学习融合到同一个框架,建立了一种图与特征抽取联合学习的模型。采用稀疏表示的思想学习图结构,将整个训练样本集视为数据字典,重构训练样本集中的每个样本;然后最小化重构误差,对重构系数矩阵添加l_1范数约束引导训练样本数据间相互竞争表示,处于同类的样本更能获得彼此间较大的表示权重,从而学习重构系数矩阵;通过对系数矩阵添加非负性约束,使其可以直接当作图结构来分析,自适应学习图结构。结合以上思想,本文提出一种联合稀疏表示与局部保持特征抽取方法;将以上非凸优化问题转化为凸优化问题,利用交替方向乘子法交替地对每个变量进行求解,形成了一套交替迭代求解联合稀疏表示与局部保持特征提取方法的优化算法。为验证本文模型的有效性及算法的收敛性,将联合稀疏表示与局部保持投影的特征提取方法,在公开的扩展Yale B、AR和ORL人脸图像数据集,以及COIL20物体图像数据集上进行实验。实验表明,本文算法在五次迭代之内就可以达到收敛,且识别准确率均已达到较高的稳定状态。此外,同若干已有方法进行对比的识别结果显示,本文方法比其它算法在不同数据集上的识别率有不同程度的提高,其中相比于原有局部保持投影法,本文方法的识别率可以达到8%-20%的提高。另外,可视化的数据图结构在优化过程中的变化情况显示,图与特征联合学习的特征提取方法所学习的关系图能够比原有方法初始化的关系图更清晰地显示数据关系。所以,改进后的算法有良好的收敛性,更易于反应数据关系结构,适合于特征提取,从而提高识别准确率。(本文来源于《广东工业大学》期刊2018-05-01）
童莹,魏以民,沈越泓[4]（2018）在《基于全局约束的监督稀疏保持投影降维方法研究》一文中研究指出非约束环境下采集的人脸图像复杂多变,稀疏保持投影降维效果不理想。鉴于此,提出一种基于全局约束的监督稀疏保持投影(SSPP-GC)算法。通过引入监督超完备字典和类内紧凑度约束,增强同类非近邻样本的重构关系;并且,在低维投影时增加全局约束因子,使得投影矩阵既考虑了样本的局部稀疏关系,也考虑了全局分布特性,进一步消除异类伪近邻样本的低维映射影响。在AR库、Extended Yale B库、LFW库和PubFig库上进行实验仿真,大量实验结果验证了本文算法的有效性。(本文来源于《光学学报》期刊2018年09期）
吴振宇,侯冰洋,王辉兵,刘胜蓝,冯林[5]（2018）在《半监督稀疏近邻保持投影》一文中研究指出提出了改进的稀疏子空间学习方法。首先,提出了稀疏近邻相关性重构模型,该模型通过提取样本间的局部信息和标记样本的标签信息,解决了稀疏子空间学习的全局特征导致数据描述不充分的问题;其次,利用半监督技术,引入正则化参数对无标签判别特征和标签判别特征进行特征融合,提高了基于稀疏近邻相关性重构的子空间学习算法的性能。实验结果表明,该方法具有较高的分类性能和识别率,此外,稀疏近邻相关性重构在提取判别信息时具有良好的稳定性。(本文来源于《系统工程与电子技术》期刊2018年04期）
邹雪城,刘尹,邹连英,郑朝霞[6]（2018）在《改进的鉴别稀疏保持投影人脸识别算法》一文中研究指出为了解决判别稀疏邻域保持嵌入(DSNPE)算法中时间复杂度偏高的问题,构造了一种新类间离散度.用各类样本的平均向量组成过完备字典去重构表达每一类的平均向量,然后通过最大间距准则(MMC)构造新的目标函数,更好地展现人脸样本数据库类间的差异,增强了类间判别力和鲁棒性,简化了字典和字典表达,降低算法复杂度.实验结果表明:改进后的算法在保持识别率优势的前提下,极大地减少了识别时间.(本文来源于《华中科技大学学报(自然科学版)》期刊2018年01期）
耿雪菲[7]（2017）在《鉴别稀疏保持投影的人脸识别算法》一文中研究指出人脸识别是一种日渐成熟的生物特征识别技术,它利用人脸特征对人的身份信息进行鉴定和甄别。虽然人脸特征具有唯一性并且具有自然、友好等优点,但是在人脸识别领域中遇到的数据往往是高维的,一般会导致维数灾难问题。近年来稀疏表示(Sparse representation,SR)在处理人脸识别等问题时显示出一定的有效性,它使用包含最少非零元素的线性组合实现对数据的正确表示,但是该方法没有包含判别信息。而后出现的稀疏保持投影(Sparse preserving projections,SPP)算法又以保持数据的稀疏表示结构为目的,成功应用于人脸识别领域,它本身包含一些判别信息且可以自动地选取其近邻信息,但其仍未能利用样本类标签信息且计算复杂度高。针对上述问题,本文对多样本人脸识别的高维数据问题及单样本人脸识别问题进行了的研究,主要研究成果如下:(1)针对多样本人脸识别中未能有效利用样本类标签信息的问题对稀疏保持投影算法(SPP)进行了改进,利用最大散度差准则重建了SPP算法的目标函数。(2)利用带有相同类标签的训练样本重构了稀疏误差,提出了一种基于最大散度差准则改进的稀疏保持投影人脸识别算法,有效地降低了SPP算法的计算复杂难度,较好的提升了多样本人脸识别效率。(3)提出了基于Module PCA与鉴别稀疏保持投影的单样本人脸识别方法。利用Module PCA方法重构单样本人脸图像,并与原有人脸图像共同作为新的训练集进行训练,利用新获取的样本库获得稀疏系数,从而进行单样本人脸识别。本文在ORL、Yale-B、CAS-PEAL及IMM多个人脸数据库进行实验,结果表明文章中提出的算法可以有效地提升人脸识别效果。(本文来源于《河北大学》期刊2017-06-01）
阎肃[8]（2016）在《基于半监督稀疏保持投影的人脸识别系统》一文中研究指出随着计算机科技的发展与应用,人脸识别技术已经普遍应用于人类生活的各个角落。例如,公司门禁系统、相机人脸自动对焦等。尽管目前人脸识别技术已经得到了很大的发展,更快速的处理像素更高的人脸图像的技术仍是研究者关注的热点。维数约减算法受到了越来越多研究人员的关注,典型的维数约减算法,如主成分分析(PCA)和线性判别分析(LDA)等将高维人脸图像投影到低维子空间中,得到维数较低的人脸特征,降低了人脸识别系统的时间复杂度,加快了人脸识别过程的速度。为了进一步提高人脸识别系统精确度,本文使用了稀疏保持投影算法,利用稀疏表示算法构建人脸样本间的稀疏权值矩阵,通过保持人脸样本间稀疏权值关系实现人脸样本的维数约减。由于现实生活中,无标签人脸样本与标签人脸样本同时存在,本文将稀疏保持投影算法拓展到半监督框架下,实现了半监督的人脸识别系统。为了克服稀疏权值矩阵忽略人脸样本间局部拓扑结构的弱点,本文采用了邻域相似度传播方法,将稀疏权值矩阵中的相似度关系按照样本局部结构进行传播,从而充分考虑了样本间的局部拓扑结构。半监督稀疏保持投影充分构建了人脸样本间的相似度关系,通过保持原始空间中人脸样本间的相似度关系实现高维数据的维数约减。低维空间充分保持了样本的局部拓扑结构,使得人脸识别系统的精确度进一步提高。本文基于提出的半监督维数约减算法,完整的介绍了人脸识别系统的搭建过程,充分利用的标签人脸数据与无标签人脸数据,提高了人脸识别系统的普适性,并提高了人脸识别精度。基于CMU、ORL等人脸数据集的实验,充分验证了本文所提算法的有效性。(本文来源于《大连交通大学》期刊2016-12-25）
杨艺芳,王宇平[9]（2016）在《一种鉴别稀疏局部保持投影的人脸识别算法》一文中研究指出为解决鉴别稀疏邻域保持嵌入(DSNPE)算法中类间离散度构造复杂的问题,提出了一个新的维数约简算法即鉴别稀疏局部保持投影的人脸识别算法(DSLPP)。首先利用样本集中各类样本的平均向量构造字典,通过保持各类样本平均向量的稀疏重构关系,提出一个新的无参数类间离散度;再通过同时最大化类间离散度和同时最小化类内紧凑度的准则来寻找最优投影方向;最后采用最近邻分类器进行人脸分类识别。由于所采用的类间离散度最大限度地扩大了不同类别中样本之间的差异,因此DSLPP算法具有更强的类间判别力,其识别率得到了明显提高;此外,字典的简化构造降低了算法的计算复杂度。在Yale、UMIST和AR人脸库上的实验结果表明:DSLPP算法在Yale、UMIST库上的平均识别率及AR库上的最高识别率分别达83.38%、95.72%和83.71%,较其他传统方法的识别率有明显提高;在UMIST库上的实验结果表明,DSLPP算法较DSNPE算法的平均计算时间减少了81.7%。(本文来源于《西安交通大学学报》期刊2016年06期）
陈璞花[10]（2016）在《一种改进的稀疏保持投影算法在高光谱数据降维中的应用》一文中研究指出稀疏保持投影由于在低维空间中很好的保持了原空间中样本的稀疏表示关系,在高光谱数据的维数约减中取得了很好的效果,但是其中并没有引入任何的判别信息,并且,稀疏保持投影在计算图矩阵时的时间复杂度较高。针对以上两个问题,本文提出了一种改进的稀疏保持投影方法,利用聚类获取不精确的类标信息,并利用该类标信息引导稀疏图的构造,在增加判别能力的同时降低时间复杂度。该方法在两组常用的高光谱数据上进行了实验。实验结果表明改进策略可以一定程度上提高稀疏保持投影的性能,同时还可大大缩短算法的运行时间。(本文来源于《火控雷达技术》期刊2016年01期）
稀疏保持投影论文开题报告
（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：
局部保持投影,保持数据的邻域关系,已成功应用于过程监测.然而,局部保持投影忽略了非局部结构信息,不能保证远距离样本之间的关系.最近提出的局部保持稀疏模型,利用稀疏编码获得一组超完备基,较好地表征原始数据的内在结构特征.鉴于稀疏编码能够较好地实现过程数据的局部稀疏表示,提出了非局部约束下的局部稀疏保持投影方法.首先,利用稀疏编码获取表征全局结构信息的稀疏码;其次,在非局部关系约束下保持局部结构特征,估计出不同稀疏码的概率密度,赋以相应权重,以便突出其对故障的贡献度;然后,融合过程状态信息构建合成统计量指标实施故障检测;最后,将提出的方法用于数值系统和TE化工过程仿真验证,并与现有的几种模型进行对比,结果表明了该方法的优越性.
（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。
稀疏保持投影论文参考文献
[1].杨宏晖,伊淑珍.基于多核稀疏保持投影的多特征集典型相关分析的水下目标特征融合方法[J].西北工业大学学报.2019
[2].卢春红,王杰华,文万志.非局部约束下的局部稀疏保持投影及其在故障检测中的应用[J].信息与控制.2019
[3].康培培.稀疏表示和局部保持投影特征学习方法研究[D].广东工业大学.2018
[4].童莹,魏以民,沈越泓.基于全局约束的监督稀疏保持投影降维方法研究[J].光学学报.2018
[5].吴振宇,侯冰洋,王辉兵,刘胜蓝,冯林.半监督稀疏近邻保持投影[J].系统工程与电子技术.2018
[6].邹雪城,刘尹,邹连英,郑朝霞.改进的鉴别稀疏保持投影人脸识别算法[J].华中科技大学学报(自然科学版).2018
[7].耿雪菲.鉴别稀疏保持投影的人脸识别算法[D].河北大学.2017
[8].阎肃.基于半监督稀疏保持投影的人脸识别系统[D].大连交通大学.2016
[9].杨艺芳,王宇平.一种鉴别稀疏局部保持投影的人脸识别算法[J].西安交通大学学报.2016
[10].陈璞花.一种改进的稀疏保持投影算法在高光谱数据降维中的应用[J].火控雷达技术.2016
标签：多特征集典型相关分析; 核稀疏保持投影算法; 特征融合; 水下目标识别;