导读:本文包含了稀疏表达论文开题报告文献综述及选题提纲参考文献,主要关键词:主成分,奇异值分解,稀疏主成分,稳定选择
稀疏表达论文文献综述
曲红艳,王化琨,周影,田甜,岳宇巍[1](2019)在《基于稳定稀疏主成分的基因表达数据聚类分析方法》一文中研究指出通过对基因表达数据的聚类分析能够较快地发现肿瘤细胞,较为准确快速地诊断疾病。本文在稀疏主成分的基础上,研究了基于稳定稀疏主成分的基因表达数据聚类分析方法的问题。改进的方法主要应用于解决稀疏主成分的Lasso方法在高维度中缺乏变量选择的一致性。使用直接聚类、主成分聚类、稀疏主成分、稳定稀疏主成分四种聚类方法对2个基因表达数据进行K均值聚类和层次聚类,比较方法的准确率,验证了基于稳定稀疏主成分的基因表达数据的聚类分析方法的准确度更高。(本文来源于《黑龙江大学自然科学学报》期刊2019年04期)
董珊,杨占昕,龙腾,庄胤,陈禾[2](2019)在《基于结构化稀疏表达的高分辨率光学遥感图像的船只检测》一文中研究指出为克服近岸船只检测中复杂港内背景干扰和基于深度学习算法的大视场光学遥感图像标注工作量大的困难,本文提出了基于小样本集的结构化稀疏表达方法来实现近岸船只检测的算法。构建由近岸船只目标,背景干扰信息和误差矩阵等叁部分子字典组成的结构化稀疏表达字典,经小样本集的字典训练过程生成判别性稀疏编码。首先将多方向近岸船只目标样本与港内复杂背景信息样本经过HOG特征提取和PCA分析对原子进行初始化,然后使用K-SVD和LASSO算法对字典进行训练。在字典中引入误差矩阵对样本的类内差异进行表示,增强了稀疏编码的判别能力和系统鲁棒性。最后提出船只目标区域提取的置信度计算方法,对生成的结构化稀疏编码进行判别,提取船只目标区域,实现船只检测。通过对不同尺寸字典模型、引入误差矩阵前后的结构化稀疏表达模型进行实验,实验结果表明提出的引入误差矩阵的结构化稀疏表达方法的有效性,以及在小样本集下比现有技术方法具有更好的检测性能。(本文来源于《信号处理》期刊2019年06期)
张晓慧[3](2019)在《基于改进稀疏表达的高光谱异常目标检测》一文中研究指出高光谱图像(HSI)包含空间维度和光谱维度的叁维信息,具有光谱分辨率高和图谱合一的特点。全面的光谱信息和叁维的数据结构有利于区分各种地物并且检测异常目标。高光谱遥感图像异常目标检测算法的主要研究方向是在不知道目标先验信息的情况下精准地检测出与背景特征各异的目标像素。绝大多数的异常检测算法通过建立背景模型,并利用异常与背景之间的差异来区分它们。如何构建一个没有异常目标污染的背景模型是一个非常关键的问题,背景特征提取的准确度决定了高光谱异常检测算法的效果。基于信号稀疏表达的异常检测方法的主要思想是通过描述背景子空间的字典来评估信号的恢复误差,通过误差来判别待测像素是背景还是目标。但是,基于稀疏表达的算法并没有对数据的统计分布进行假设,背景特征也是通过随机方式获得的,其中背景的纯净度决定了检测结果的精度。低秩稀疏矩阵分解算法(LRaSMD)将矩阵分解为低秩矩阵、稀疏矩阵和噪声矩阵。其中低秩矩阵对应背景矩阵,稀疏矩阵可以用来检测异常目标,通过LRaSMD算法我们可以得到比较干净的背景。此外由于自编码器在提取隐层特征上具有丰富性、判别性和准确性等优点,我们也可以利用自编码器获取背景特征。因此本文提出了改进的稀疏表达算法来进行目标检测,从两方面获取背景特征,分别是低秩稀疏矩阵分解和自编码器,然后通过稀疏表达的方式从背景集中构建背景字典模型,最后通过计算重构误差来检测异常点。本文研究内容主要包括以下几方面:(1)对稀疏表达理论的基本概念做了详细介绍,根据现有的研究成果阐述了几种常用的稀疏求解算法并且做了简单的比较与分析。稀疏表达的理论介绍为后续章节提出的改进后的异常检测算法奠定了扎实的理论基础。(2)介绍了低秩稀疏矩阵分解算法(Low-Rank and Sparse Matrix Decomposition,LRaSMD)的原理,可将背景和异常区分开,因此可以极大地减弱异常目标对背景的污染。本文提出了一种基于低秩稀疏矩阵分解和稀疏字典表达的高光谱异常目标检测算法,首先通过LRaSMD算法获取比较干净的背景,然后通过稀疏表达的方式从背景中构建背景字典模型,最后通过计算重构误差来检测异常目标。(3)介绍了基于自编码器和稀疏表达的高光谱异常目标检测算法。自编码器通过多层隐含层来拟合原始的输入样本数据,与传统的机器视觉处理方法相比,它的自适应性更强,无需人为选择特征。本文利用自编码网络提取高光谱图像的背景特征,然后结合稀疏表达的方式来检测异常目标。(本文来源于《太原理工大学》期刊2019-06-01)
段沛沛,李辉,雒明世[4](2019)在《基于联合字典稀疏表达的目标识别算法研究》一文中研究指出在使用高分辨距离像开展目标识别时,传统方法很少利用样本的稀疏性。为了克服此类识别所面临的繁琐的分析难题,简化识别过程,稀疏分析其实是一种不错的压缩样本数据,提升剖析效果的方法。因此,提出一种基于联合字典及快速分解策略完成雷达一维距离像稀疏分析,进而鉴识目标的算法。为了提升识别策略的实用性,算法还尝试依信噪比调控其内稀疏分解参数,以改善算法抗噪性能。实验测评表明:相较同类识别策略,该算法求解更为便捷,适用范围有所拓展;相比不同类型的常规识别策略,该算法抵御噪声的能力有所提升,识别效果更优。(本文来源于《电子技术应用》期刊2019年04期)
张继威,牛少彰,曹志义,王心怡[5](2019)在《基于深度学习和约束稀疏表达的人脸识别算法》一文中研究指出目前的人脸特征匹配算法大多关注于单图像与单图像的匹配而不能有效利用图像序列之间的相关信息,因而提出了一种基于深度学习与约束稀疏表达的人脸特征匹配算法.通过CNN网络对人脸图像进行特征提取,并利用改进的稀疏表达方法自动选取相似的图像序列进行特征匹配,有效地利用了图像序列之间的相关信息.实验结果表明,该算法在LFW和AR数据库上取得了很好的效果并优于传统的SRC,L1-norm和CRC-RLS算法.(本文来源于《北京理工大学学报》期刊2019年03期)
林志凯[6](2019)在《基于自适应稀疏表达的图像识别研究》一文中研究指出近年来,图像识别技术因图像采集技术和数据处理能力的提升而逐渐成熟,为人们的生活带来更多便捷。其中,基于稀疏表达的分类方法是具有代表性的研究之一。该类方法用训练样本线性地表达测试样本,并对表达系数施加稀疏约束,然后将计算得到表达系数,依据分类准则预测样本的类别。在基于稀疏表达的分类方法中,合适的正则方法对表达系数的约束起到了重要的作用。传统的基于L1范数和L2范数的正则约束忽略了训练样本的类别信息,而基于组稀疏的正则约束则缺乏对于同类样本内分布结构差异的考虑。通过研究发现样本内部的分离问题对正则效果有重要影响,适当的正则形式有助于得到鲁棒的表达系数。此外,基于L2范数约束的正则方法在稀疏表达分类方法中也是重要的研究方向。L2范数正则方法具有求解速度快的特点,但是得到的表达系数稀疏程度不够导致其不利于分类。针对上述问题,本文给出相应解决方法并得到如下研究成果:1.提出一种自适应微弹性网络正则方法。该正则方法可以根据具体的样本分布结构同时起到组稀疏和个体稀疏的约束。其中,依据类内样本分布结构得到的自适应参数用于平衡正则项中的组稀疏约束和L1范数。实验证明该方法能有效地提高识别率。2.提出基于自适应微弹性网络正则的稀疏表达分类方法和基于自适应微弹性网络正则的鲁棒稀疏表达分类方法,其中鲁棒型分类方法用M估计Huber损失函数作为保真项。此外,提出基于交替方向乘子法框架的优化求解方法用于求解本文提出的分类方法。3.提出基于L2范数重构样本约束的稀疏表达分类方法。该方法在保留原有系数L2范数约束的基础上,增加了对类特定重构样本的L2范数约束。实验证明通过该方法计算得到的系数相对单纯的L2范数约束具有更好的判别性有助于分类。(本文来源于《重庆邮电大学》期刊2019-03-14)
蒋志杰[7](2019)在《面向遮挡人脸识别的稀疏表达鲁棒性算法》一文中研究指出最近,基于回归分析的稀疏编码已经广泛应用于人脸识别的研究中。大多数现有的回归方法本质上是单一使用l_1范数或l_2范数的保真项来表示编码残差符合高斯分布或拉普拉斯分布,但在复杂的遮挡变化中,人脸图像并不是单一的遵循某一分布。本文结合稀疏编码提出两种带有权重学习的稀疏表达鲁棒性编码,从而在多种遮挡环境中有效的实现人脸图像分类。主要内容如下:1.研究稀疏表达鲁棒性编码的l_1正则最小化问题求解。由于l_1范数在原点不可微,无法直接对l_1范数进行求导,所以本文利用交替方向乘子法求解l_1正则最小化问题。2.研究遮挡人脸识别的鲁棒性算法。首先,通过改进回归分析模型来提高算法的鲁棒性。一方面,使用Huber函数使得保真项自动匹配l_1范数或l_2范数;另一方面,对编码系数添加l_1范数正则项,使得编码系数具有稀疏性。其次,通过学习编码残差的sigmoid权重和自适应权重来让遮挡点获得较小的权重值,从而抑制遮挡对回归分析的影响,进而提高算法在遮挡人脸识别中的鲁棒性。3.研究人脸图像的类内变化和类间变化与鲁棒性算法的关系。首先,加权的Huber约束稀疏编码和自适应加权的Huber约束稀疏编码通过单个类别的样本子集与查询样本来进行回归计算,从而降低类内变化,同时避免了类间干扰。然后,加权的Huber约束稀疏编码通过改变Sigmoid权重的幂指数大小来增大类间变化与类内变化的相对差异,从而提高算法的鲁棒性。最后,自适应加权的Huber约束稀疏编码增大了自适应权重的权重系数和编码残差的负相关性,从而增大类间变化和类内变化的相对差异,进而提高算法的鲁棒性。同时,在自适应权重中,超参数的数量更少,解释性更强。4.本文在加权的稀疏表达鲁棒性编码的研究基础上,详细阐述了遮挡人脸识别系统的基本框架和主要功能模块,最终设计了一套人脸识别原型系统。(本文来源于《重庆邮电大学》期刊2019-03-07)
张思原,刘兴隆,姚攀,于中华,陈黎[8](2018)在《利用稀疏表达学习挖掘中医方剂功效配伍》一文中研究指出中医方剂是中医药学的重要组成部分,也是中医临床治病的主要形式和手段.为了"辨证论治",需要从配伍功效出发,研究药组的配伍规则.多味药组成的方剂的功效不是其组成药物功效的简单迭加,而是由它们之间相互作用的结果.目前利用数据挖掘技术挖掘研究方剂的配伍,主要利用方剂中药物的频率,进行浅层分析,但这种方法并不能很好的揭示药物之间的相互联系.为此,本文提出了一种利用稀疏表达学习,自动挖掘古方中的功效配伍规律.稀疏表达学习结合L1正则化和逻辑斯蒂判别式,将不起作用或作用很小的药物视为是噪声过滤掉,起主导作用的药物则为被挖掘的功效配伍药组.最后,将提出的方法在14种功效的古方数据集中进行实验和验证,并以Dice系数和平均查准率作为评估参数,实验结果证明,稀疏表达学习方法相比目前的主流方法在配伍规则的挖掘上更准确、有效.(本文来源于《四川大学学报(自然科学版)》期刊2018年06期)
张宁,梁红,杨长生[9](2018)在《基于稀疏表达的高分辨仿生声纳距离估计》一文中研究指出0引言动物回声定位所用超声波具有双曲调频的形式,为了提高声纳系统的距离分辨力,具有大带宽多谐波结构的仿生信号被广泛用于声纳系统中。近年来,稀疏表达和压缩感知理论的发展为信号参数估计提供了更有效的工具。基于回波信号的时间稀疏性将距离估计问题转化为信号的稀疏重构。文献~([1])给出了噪声背景下稀疏重构的数学模型,文献~([2])(本文来源于《2018年全国声学大会论文集 J通信声学与音频信号处理(含声频工程)》期刊2018-11-10)
张晓慧,郝润芳,李廷鱼[10](2019)在《基于低秩稀疏矩阵分解和稀疏字典表达的高光谱异常目标检测》一文中研究指出异常目标检测在高光谱图像(HSI)处理领域发挥越来越重要的作用。低秩稀疏矩阵分解算法(LRaSMD)可将背景和异常区分开,可以极大地减弱异常目标对背景的污染。基于此,提出一种基于低秩稀疏矩阵分解和稀疏字典表达(LRaSMD-SR)的高光谱异常目标检测算法,通过LRaSMD的方式获取背景集,通过稀疏表达的方式从背景集中构建背景字典模型,最后通过计算重构误差来检测异常点。该算法在模拟和真实数据上都进行了有效性验证,实验结果证明LRaSMD-SR算法具有非常好的异常目标检测性能。(本文来源于《激光与光电子学进展》期刊2019年04期)
稀疏表达论文开题报告
(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:
为克服近岸船只检测中复杂港内背景干扰和基于深度学习算法的大视场光学遥感图像标注工作量大的困难,本文提出了基于小样本集的结构化稀疏表达方法来实现近岸船只检测的算法。构建由近岸船只目标,背景干扰信息和误差矩阵等叁部分子字典组成的结构化稀疏表达字典,经小样本集的字典训练过程生成判别性稀疏编码。首先将多方向近岸船只目标样本与港内复杂背景信息样本经过HOG特征提取和PCA分析对原子进行初始化,然后使用K-SVD和LASSO算法对字典进行训练。在字典中引入误差矩阵对样本的类内差异进行表示,增强了稀疏编码的判别能力和系统鲁棒性。最后提出船只目标区域提取的置信度计算方法,对生成的结构化稀疏编码进行判别,提取船只目标区域,实现船只检测。通过对不同尺寸字典模型、引入误差矩阵前后的结构化稀疏表达模型进行实验,实验结果表明提出的引入误差矩阵的结构化稀疏表达方法的有效性,以及在小样本集下比现有技术方法具有更好的检测性能。
(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。
稀疏表达论文参考文献
[1].曲红艳,王化琨,周影,田甜,岳宇巍.基于稳定稀疏主成分的基因表达数据聚类分析方法[J].黑龙江大学自然科学学报.2019
[2].董珊,杨占昕,龙腾,庄胤,陈禾.基于结构化稀疏表达的高分辨率光学遥感图像的船只检测[J].信号处理.2019
[3].张晓慧.基于改进稀疏表达的高光谱异常目标检测[D].太原理工大学.2019
[4].段沛沛,李辉,雒明世.基于联合字典稀疏表达的目标识别算法研究[J].电子技术应用.2019
[5].张继威,牛少彰,曹志义,王心怡.基于深度学习和约束稀疏表达的人脸识别算法[J].北京理工大学学报.2019
[6].林志凯.基于自适应稀疏表达的图像识别研究[D].重庆邮电大学.2019
[7].蒋志杰.面向遮挡人脸识别的稀疏表达鲁棒性算法[D].重庆邮电大学.2019
[8].张思原,刘兴隆,姚攀,于中华,陈黎.利用稀疏表达学习挖掘中医方剂功效配伍[J].四川大学学报(自然科学版).2018
[9].张宁,梁红,杨长生.基于稀疏表达的高分辨仿生声纳距离估计[C].2018年全国声学大会论文集J通信声学与音频信号处理(含声频工程).2018
[10].张晓慧,郝润芳,李廷鱼.基于低秩稀疏矩阵分解和稀疏字典表达的高光谱异常目标检测[J].激光与光电子学进展.2019