导读:本文包含了动态特征表示论文开题报告文献综述及选题提纲参考文献，主要关键词:动态网络,多层网络,结构特征,表示学习
动态特征表示论文文献综述
王培卓[1]（2019）在《动态网络结构特征表示及多层网络模式挖掘》一文中研究指出复杂网络作为分析复杂系统中个体之间关联关系以及系统结构功能的有效工具,已经被广泛应用于各个领域。现阶段,随着科学技术的不断发展,产生了大量多维、动态、多层次的数据需要研究人员去分析并挖掘出有用信息,而传统静态、单一的复杂网络模型已经不足以刻画丰富数据下的深层次特征。因此,作为传统复杂网络模型的升级与扩展,多层网络模型被提出并用来刻画和挖掘复杂系统中更真实的特性。多层网络是结合多种连接关系的耦合网络,如包含朋友关系、家庭成员关系以及同事关系等多种类型人与人关系构成的不同层次的社会网络。多层网络按照层间耦合关系的不同,可以被分为多种形式,如具有时序关系的动态网络、层与层因个体相同而具有关联性的多层关联网络、层与层之间节点具有强依赖关系的多层依赖网络等。对多层网络中重要结构特征进行刻画,挖掘诸如动态演化、保守结构等模式,对理解和分析复杂系统具有非常积极的意义。近来,多层网络中的拓扑特征分析、动态演化分析、结构特征刻画以及功能结构模式的定义与挖掘成为了研究的热点。本文主要从多层网络结构特征刻画以及模式挖掘两个方面展开研究,包括动态网络相似性度量及动态社团检测、动态网络表示学习、多层网络保守模块结构检测。具体而言,本文的主要研究内容及贡献如下:1.扩展了静态网络上的结构扰动理论,将相邻时刻网络之间的动态变化作为扰动项,提出一个适合动态网络的结构扰动相似性度量,并通过结合局部拓扑相似性,从不同层面对动态网络的结构特征进行刻画。在该相似性基础上,本文提出一个基于进化聚类和密度聚类的动态社团检测算法,用以挖掘随时间变化的网络上的社团结构。该研究优势在于:1)动态网络上的结构扰动相似性充分结合了动态信息,并且结构扰动理论是基于矩阵特征值分解的,体现了网络的拓扑特征,有助于刻画动态社团结构;2)基于进化聚类的方式考虑了社团演化信息,并且密度聚类的方式无需事先设定潜在的社团数目。在人工合成网络以及几个真实动态网络上,都表明该方法能够有效地检测动态社团结构,进而反映了所提出的相似性度量的优越性。2.针对当前大多数网络表示学习的研究缺乏对时序动态因素的考虑,本文提出一个动态网络表示学习的方法,旨在将动态网络中的节点用低维的包含时间信息的向量进行表示,以方便灵活处理动态网络上的机器学习任务。该方法基于两层的非负矩阵分解模型,充分结合局部邻居结构和社团结构信息,并利用进化聚类的思想将动态演化信息考虑到这些拓扑结构上。该研究的优势在于:1)两层非负矩阵分解可以同时获得社团结构与节点的低维表示向量,并且得到的社团结构信息融入到了该向量表示中;2)时间因素分别以两种形式被考虑到局部拓扑结构和社团结构中,充分考虑了动态变化对不同层次拓扑结构的影响。本文在不同人工合成及真实数据集上,针对节点分类任务和动态社团检测任务,对方法得到的节点向量表示的性能进行了评估。结果表明所提方法结合不同层面拓扑结构及动态信息对动态网络表示学习的有效性。3.多层网络中的保守结构模式非常重要,它能体现出多层网络的共有特性。本文提出两个特征度量指标——连接强度和参与系数,分别用来衡量每对节点在多层网络整体水平上连接的紧密程度和连接权重的均匀程度,以此来刻画多层网络中的保守模块结构。根据提出的两个特征度量,多层网络可以被压缩为两个相关的特征矩阵,之后仅在这两个特征矩阵上,利用多视图非负矩阵分解得到保守模块结构。由于保守模块的识别仅需要在两个特征矩阵上协同进行,使得方法本身与网络的层次个数无关,大大降低了计算的空间和时间复杂度。将该方法应用于多层生物网络并做了深入分析,其中在33个癌症相关的基因共表达网络上,识别出核糖体合成、免疫应答等生物功能的保守基因模块,体现了癌症发生和发展的共性;在人类脑组织15个不同区域的蛋白质相互作用网络上,检测到了与神经系统发育相关的保守功能模块。(本文来源于《西安电子科技大学》期刊2019-04-01）
淮华瑞[2]（2017）在《基于学习时空特征表示的动态手势识别》一文中研究指出手势识别在人机交互、可视交流、机器学习等领域中有着非常广泛的应用前景。越来越多的科研人员开始投身于手势识别研究领域。手势可以分为静态手势和动态手势两种。静态手势指手的一个静止的姿态,只考虑手势的空间信息,不考虑手在空间中的移动和旋转。而动态手势指一个连续的手势动作,既包含了手势的空间信息,也描述了其随着时间变化的运动信息。由于自然手势动作通常都是动态的,因此动态手势识别由于其普遍性和便捷性逐渐成为了一个热点研究课题。但是手势动作受遮挡、光照、视点、个体差异、手势动作时空变化等因素影响,动态手势识别仍然是一个具有挑战性的难题。动态手势识别的一个关键问题是手势特征的表示与提取,传统的方法通常是基于预定义的特征提取,提取的手势特征精确度不高,并且需要相当多的先验知识和人工调整。近年来,基于学习的特征提取方法的性能不断提升,提取的特征具有很好的鲁棒性,因此基于学习的方法逐渐成为目前最流行的特征表示方法。其中两个经典模型是卷积神经网络(CNN)和受限玻尔兹曼机(RBM),不过传统的受限玻尔兹曼机通常是基于向量变量(RBM)的以及基于矩阵变量(MVRBM)的。本文面向基于视频的动态手势识别应用,改进了传统受限波尔兹曼机模型,提出了面向3阶视频数据的3D-2D受限玻尔兹曼机,即输入为3阶张量变量,输出为2阶矩阵变量的RBM模型(3D-2D RBM)。本文也融合了CNN进行图像特征表示的优势,以及MVRBM对二维信号的有效表示能力和神经网络(NN)的判别能力,提出CNN-MVRBMNN混合模型进行动态手势的时空特征表示和分类。上述两个模型能够有效提取视频数据包含的时空信息。本论文具体工作如下:(1)基于3D-2D RBM模型的动态手势识别研究。本文首先提出了3D-2D RBM模型,进一步地,面向动态手势识别应用需求,提出了双通道3D-2D RBM模型(Two-channel 3D-2D RBM)。其中,一个通道建模手势3D视频数据的运动特性,另一个通道建模3D视频数据的空间特性,最后在决策层进行了两通道信息的融合。(2)基于CNN-MVRBM-NN混合模型的动态手势识别研究。本文提出了基于CNN-MVRBM-NN混合模型的动态手势识别方法,该模型由叁个子模型组成。CNN子模型自动提取动态手势序列的帧级空间特征,MVRBM子模型基于CNN模型的输出进一步建模动态手势的时空高层语义特征,训练好的MVRBM可有效地初始化NN子模型,使得NN子模型在经过反向传播算法微调后有更强的判别性。本文在剑桥手势库上评价了上述两种方法进行动态手势识别的效果,实验结果表明本文提出的两种方法对于动态手势识别的可行性和有效性。(本文来源于《北京工业大学》期刊2017-06-01）
万军[3]（2014）在《动态手势识别中的时空特征表示和字典优化研究》一文中研究指出手势识别是人机交互的重要组成部分。特别是近年来随着RGB-D相机(如Kinect)的发展,基于RGB-D数据的手势识别研究是当前手势识别中的一个研究热点。本文研究的重点是如何从RGB-D数据中有效地提取时空特征,以及如何对提取的特征进行字典学习和优化。论文的主要工作和贡献如下：1.提出了基于RGB-D的一次学习手势识别方法。由于一次学习是指每类只有一个训练样本,因此基于RGB-D的一次学习识别研究有两个重要的挑战性问题,即在每类只有一个训练样本的前提下如何提取丰富的、具有分辨性特征以及如何学习一个有效的识别模型。(1)对于特征提取,提出了一种新的从RGB-D数据中提取时空特征方法：叁维增强运动尺度不变特征转换(3D EMoSIFT)。3D EMoSIFT具有旋转和尺度不变性,可以获取更紧凑、更丰富的特征信息；(2)为了获取一个稳定性高、识别效果好的模型,首先对所有训练样本的特征进行Kmeans聚类以获取视觉字典(即聚类中心)；然后,采用同步正交匹配追踪(SOMP)算法进行特征编码,使每个特征能够由字典中的多个词通过线性组合来表示。与矢量量化相比,SOMP算法具有更小的重构误差以及更好的识别效果。2.提出了一种从RGB-D数据中快速提取时空特征的方法：叁维稀疏运动尺度不变特征转换(3D SMoSIFT)算法。首先,分别对每帧RGB图像和深度图像构建金字塔；其次在RGB或者深度图像金字塔中利用角点检测和稀疏光流算法检测和跟踪稳定的关键点；然后提取关键点附近的局部区域(包含RGB-D数据),并在局部区域构建叁维梯度空间和叁维运动空间；最后分别在叁维梯度空间和叁维运动空间中计算尺度不变特征转换(SIFT)特征。3D SMoSIFT不仅具有旋转和尺度不变特性而且对部分遮挡具有较强的鲁棒性。此外,还分析了3D EMoSIFT和3D SMoSIFT的时问复杂度。从实验结果看,3D SMoSIFT比以往的时空特征算法(Harrid3d, MoSIFT,3D MoSIFT等)和3D EMoSIFT识别效果都好,并且3D SMoSIFT处理速度达到实时。3.提出了一种类字典优化算法：特定类互信息最大化(CSMMI)。CSMMI的目标是每类学习一个紧凑的、具有分辨性的字典。与基于视觉词袋模型中所有类学习一个共享字典不同,CSMMI提出了一个互信息最大化目标函数来优化特定类字典,该目标函数融合了类内和类间互信息。CSMMI的目标函数有两个优点：(1)保留类内的固有结构信息：对特定类的字典,已经选择的词与该字典中未选择的词之间具有互信息最大；(2)减少类间的外在结构信息：使特定类中已经选择的词与其他类字典中的词具有互信息最小。为了降低CSMMI直接法的时间复杂度,还提出了利用子模块的方法来快速求特定类字典的策略。(本文来源于《北京交通大学》期刊2014-09-01）
王丹[4]（2008）在《唇读的静动态特征表示方法研究》一文中研究指出唇读(Lipreading)研究试图赋予计算机根据唇部运动辨别说话内容和根据唇部运动规律辨别人物身份的能力。该研究具有重要的科学意义和应用价值。从学科建设和发展的角度,唇读作为一个科学问题,是一个典型的图像模式分析、理解和分类计算的问题,涉及模式识别,计算机视觉,智能人机交互,认知科学等多个学科。同时,作为生物特征识别技术之一的基于唇读的说话人识别技术则在公共安全、信息安全等领域具有潜在的应用前景。目前,唇读在说话内容识别上还没有获得理想的识别性能,其中一个重要的原因就是没有对唇区特征区域给出很好的定义和有效的特征表示。本文重点探讨了特征表示的一些技术和关键问题,对唇区的特征区域标定,静、动态特征表示方面进行了专门研究。本文主要的研究工作如下:1.提出了基于统计的自适应特征区域标定方法。特征区域的标定是唇读特征表示的第一步,本文提出的标定方法首先通过手动标定唇的“红色区域”,然后对其范围进行统计,得到以中心点为基准的最大尺寸,并将统计信息反馈给预处理模块,由预处理模块自动对特征区域重新标定,由此可以使标定尺寸自适应于不同的图片集。这种方法在本文的所有特征表示方法上取得了性能提升。2.基于静态图像的特征表示的研究中,本文对PCA、DCT、Gabor方法在唇读中的应用进行了深入研究和实验对比。针对目前的特征表示方法没有泛化能力的问题进行了探讨,引入一种新的特征描述子:局部二值模式,提出局部二值模式在唇读中的应用方法,该方法具有良好的泛化能力和较快的计算速度,在未来的实用唇读系统中具有很大的应用潜力。3.提出了基于叁维时空体的唇读模型,并在模型基础上提出了叁维时空体的特征表示方法:唇读的差分型特征表示和积分型特征表示。基于叁维时空体的唇读模型结合了空间和时间的双重特点,能够充分表达唇动过程的运动特性。本文探讨了两种基于时空的特征表示方法,从实验对比、理论分析和数学证明叁个方面证明了积分型特征在表达能力和可分性上的优势。(本文来源于《哈尔滨工业大学》期刊2008-06-01）
动态特征表示论文开题报告
（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：
手势识别在人机交互、可视交流、机器学习等领域中有着非常广泛的应用前景。越来越多的科研人员开始投身于手势识别研究领域。手势可以分为静态手势和动态手势两种。静态手势指手的一个静止的姿态,只考虑手势的空间信息,不考虑手在空间中的移动和旋转。而动态手势指一个连续的手势动作,既包含了手势的空间信息,也描述了其随着时间变化的运动信息。由于自然手势动作通常都是动态的,因此动态手势识别由于其普遍性和便捷性逐渐成为了一个热点研究课题。但是手势动作受遮挡、光照、视点、个体差异、手势动作时空变化等因素影响,动态手势识别仍然是一个具有挑战性的难题。动态手势识别的一个关键问题是手势特征的表示与提取,传统的方法通常是基于预定义的特征提取,提取的手势特征精确度不高,并且需要相当多的先验知识和人工调整。近年来,基于学习的特征提取方法的性能不断提升,提取的特征具有很好的鲁棒性,因此基于学习的方法逐渐成为目前最流行的特征表示方法。其中两个经典模型是卷积神经网络(CNN)和受限玻尔兹曼机(RBM),不过传统的受限玻尔兹曼机通常是基于向量变量(RBM)的以及基于矩阵变量(MVRBM)的。本文面向基于视频的动态手势识别应用,改进了传统受限波尔兹曼机模型,提出了面向3阶视频数据的3D-2D受限玻尔兹曼机,即输入为3阶张量变量,输出为2阶矩阵变量的RBM模型(3D-2D RBM)。本文也融合了CNN进行图像特征表示的优势,以及MVRBM对二维信号的有效表示能力和神经网络(NN)的判别能力,提出CNN-MVRBMNN混合模型进行动态手势的时空特征表示和分类。上述两个模型能够有效提取视频数据包含的时空信息。本论文具体工作如下:(1)基于3D-2D RBM模型的动态手势识别研究。本文首先提出了3D-2D RBM模型,进一步地,面向动态手势识别应用需求,提出了双通道3D-2D RBM模型(Two-channel 3D-2D RBM)。其中,一个通道建模手势3D视频数据的运动特性,另一个通道建模3D视频数据的空间特性,最后在决策层进行了两通道信息的融合。(2)基于CNN-MVRBM-NN混合模型的动态手势识别研究。本文提出了基于CNN-MVRBM-NN混合模型的动态手势识别方法,该模型由叁个子模型组成。CNN子模型自动提取动态手势序列的帧级空间特征,MVRBM子模型基于CNN模型的输出进一步建模动态手势的时空高层语义特征,训练好的MVRBM可有效地初始化NN子模型,使得NN子模型在经过反向传播算法微调后有更强的判别性。本文在剑桥手势库上评价了上述两种方法进行动态手势识别的效果,实验结果表明本文提出的两种方法对于动态手势识别的可行性和有效性。
（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。
动态特征表示论文参考文献
[1].王培卓.动态网络结构特征表示及多层网络模式挖掘[D].西安电子科技大学.2019
[2].淮华瑞.基于学习时空特征表示的动态手势识别[D].北京工业大学.2017
[3].万军.动态手势识别中的时空特征表示和字典优化研究[D].北京交通大学.2014
[4].王丹.唇读的静动态特征表示方法研究[D].哈尔滨工业大学.2008