导读:本文包含了流形嵌入论文开题报告文献综述、选题提纲参考文献，主要关键词:流形,特征,线性,遥感,光谱,局部,超图。
流形嵌入论文文献综述写法
张冬妍,蒋大鹏,周宝龙,曹军,赵思琦[1]（2019）在《依据流形学习的局部线性嵌入对红松子品质近红外检测》一文中研究指出根据红松子品质检测方面技术缺失的现状,提出了运用近红外技术建立松子光-化学模型的解决办法;在对比流形学习有效保留高维数据的低维特征的优势和近红外传统降维方法主成分分析对非线性结构不敏感问题后,提出了具有能够捕捉高维空间中低维流形功能的局部线性嵌入-高斯过程(LLE-GP)方法,用于解决传统线性主成分分析(PCA)方法可能损失有用信息的缺陷;使用变量标准化(SNV)与Savitzky-Golay平滑方法进行预处理后,使用局部线性嵌入-高斯过程方法对数据进行分类建模。运用近红外光谱仪采集的松子数据,对这一算法进行验证,结果表明:局部线性嵌入-高斯过程分类模型,可以良好的使用在品质检测分类建模中。(本文来源于《东北林业大学学报》期刊2019年06期）
刘思行[2]（2019）在《基于低秩和流形嵌入的图像子空间表征研究》一文中研究指出图像表征在图片识别等技术中扮演着核心角色,成为模式识别领域中广受关注的问题。子空间分析方法已成为当前图像表征主要技术之一。传统的子空间方法大多单一关注数据的全局或局部特性,对于复杂数据其特征表达能力仍有不足;同时在复杂场景,例如噪声、多视角等问题中,子空间方法目前还没有较为统一的表征方案。针对上述问题,本文研究基于引入样本惩罚因子的低秩子空间表达并融合流形嵌入技术构造广义的特征表达框架,提高在复杂数据,复杂场景下对图像的特征表达能力。并设计实现人脸识别系统,结合本文所提出的图像表征算法,提高人脸识别性能。本文的主要工作如下:本文提出基于最小二乘的流形嵌入图像表征方法。将主成分分析中通过最小二乘最小化重构误差思想作为基本框架,引入泛化的局部流形嵌入作为特征表达方法。与已知的主成分分析方法不同,我们提出的广义最小二乘重构误差考虑投影数据结构和样本点的惩罚。并通过引入于流形嵌入,平衡子空间特征表达的局部几何结构和全局结构。人脸识别和手写体数字识别的实验结果表明,与常用的流形嵌入方法相比,该方法保持了较低的子空间结构并且取得较高的分类结果,显示此框架在特征表达方面具有优越的性能。本文提出基于低秩表达的多图嵌入图像表征方法。将多流形构造的样本惩罚字典引入低秩表达中,通过对样本点的加强或抑制获得更干净的低秩子空间特征,以更有效的解决低秩表达中的去噪和去除遮挡问题。并且通过多图流形嵌入技术融合,提高特征对数据不同流形结构的表达能力,平衡多视图数据下局部和全局结构。在叁个场景:前景提取、去除噪声、去除污染上的实验与流行的低秩算法比较结果表明,该特征提取方法具有更强的泛化能力和识别性能,能够有效针对现实数据中的污染、遮挡、多视角等复杂场景。基于以上图像表征算法设计并实现人脸识别系统。系统运行测试表明该人脸识别系统界面友好,功能正确,且能应对不同场景下的识别要求,验证了本文所提出的图像表征方法的有效性。(本文来源于《江苏大学》期刊2019-04-01）
黄鸿,李政英,石光耀,潘银松[3]（2019）在《面向高光谱影像分类的多特征流形鉴别嵌入》一文中研究指出鉴于传统维数约减方法对高光谱遥感影像进行降维时,往往只利用了单一的光谱特征,限制了分类性能的提升。提出一种基于多特征流形鉴别嵌入的维数约减方法,该方法首先提取高光谱数据的LBP(Local Binary Patterns)纹理特征,然后利用样本点的光谱-LBP特征联合距离及类别信息构建类内图和类间图以发现高光谱影像中的鉴别流形结构,在低维嵌入空间中不仅保持来自同一像素的光谱和纹理特征的相似性,而且使同类点尽可能紧致、不同类点远离,实现空-谱联合低维鉴别特征提取,以有效提高地物分类性能。在Indian Pines和黑河高光谱遥感数据集上的实验表明,本文算法的分类精度在不同实验条件下均优于传统的维数约减方法,其分类精度可达95.05%和96.20%,在较少训练样本条件下优势更为明显,有利于实际应用。(本文来源于《光学精密工程》期刊2019年03期）
马宏亮,万建武,王洪元[4]（2019）在《一种嵌入样本流形结构与标记相关性的多标记降维算法》一文中研究指出现有的多标记降维算法常通过学习标记相关性构建样本间的相似关系,进而提高学习系统的性能.然而,在实际应用中,样本的标记信息可能存在噪声,且部分标记信息可能缺失,因此由样本的标记信息学得的标记相关性可能不准确,无法有效挖掘样本间的相似关系.为了解决该问题,从样本的特征空间与标记空间两个方面构建样本间的相似关系.在利用标记空间学习标记相关性的同时,通过引入特征空间中的概率超图模型,提出一种嵌入样本流形结构与标记相关性的多标记降维算法.在十个多标记数据集和六种评价准则上的实验结果证明了所提算法的有效性.(本文来源于《南京大学学报(自然科学)》期刊2019年01期）
杨洋,王正群,徐春林,严陈,鞠玲[5]（2019）在《基于最大间隔准则的鲁棒多流形判别局部图嵌入算法》一文中研究指出针对现有的多流形人脸识别算法大多直接使用带有噪声的原始数据进行处理,而带有噪声的数据往往会对算法的准确率产生负面影响的问题,提出了一种基于最大间距准则的鲁棒多流形判别局部图嵌入算法(RMMDLGE/MMC)。首先,通过引入一个降噪投影对原始数据进行迭代降噪处理,提取出更加纯净的数据;其次,对数据图像进行分块,建立多流形模型;再次,结合最大间隔准则的思想,寻求最优的投影矩阵使得不同流形上的样本距离尽可能大,同时相同流形上的样本距离尽可能小;最后,计算待识样本流形到训练样本流形的距离进行分类识别。实验结果表明,与表现较好的最大间距准则框架下的多流形局部图嵌入算法(MLGE/MMC)相比,所提算法在添加噪声的ORL、Yale和FERET库上的分类识别率分别提高了1.04、1.28和2.13个百分点,分类效果明显提高。(本文来源于《计算机应用》期刊2019年05期）
马世欣,刘春桐,李洪才,张耿,何祯鑫[6]（2019）在《基于线性嵌入和张量流形的高光谱特征提取》一文中研究指出为了使降维结果更好地体现高光谱数据的空间结构信息,并进一步提高分类精度,提出了一种基于线性嵌入和张量流形的高光谱特征提取算法。不同于其他流形结构的表达方法,所提算法采用协同表示理论求解全局线性嵌入的权重矩阵,更有利于保持高维数据的全局信息,提高了流形结构表达的准确性。同时,建立了基于多特征描述的张量流形降维框架,得到的显式映射具有较强的可靠性和全局适应性。实验结果表明:与主成分分析、局部线性嵌入、拉普拉斯特征映射和线性保留投影等算法相比,所提算法表现出了更优越的分类性能。(本文来源于《光学学报》期刊2019年04期）
叶东升[7]（2018）在《多流形嵌入子空间聚类方法研究》一文中研究指出在大数据时代,高维数据的处理和表示是数据科学领域一项重要的研究内容,通过对高维数据本征分布的建模,提取其中有效特征,继而进行数据挖掘任务是一般数据分析方法的基本过程,而在刻画高维数据时,由于数据的稀疏性以及欧式度量下数据点之间相似性小,使得传统的处理低维数据的数据挖掘方法存在较多误差。因此,通常使用复杂的模型逼近高维数据集以提取更为准确的内蕴信息,而后基于此信息构造数据点之间的关系,通过对该关系的处理和重构实现最终的数据挖掘目标。稀疏子空间表示是在压缩感知的框架下,对高维数据集做子空间逼近表示,从而获取高维数据集内蕴子空间信息的一种常用方法。稀疏子空间聚类是在稀疏子空间表示的基础上,将数据的稀疏表示矩阵做成可表示数据集结构的无向图,最后应用谱图分割来求解数据所属类的高维数据聚类方法,近年来,因其在处理高维数据时强大的性能而备受关注,稀疏子空间聚类(SSC)和低秩表示(LRR)被广泛的应用于模式识别、计算机视觉和信号处理领域,这两类方法都是通过逼近数据集的全局线性表示,构造块结构的稀疏系数矩阵,进而得到数据的聚类结果。然而,在真实情况下,较少的数据集满足这种线性子空间假设,多数的数据集呈多流形分布,这就使得该聚类方法会因数据集的表示误差而产生大量的样本错分。本课题在稀疏表示的框架下,研究了呈多流形分布的数据聚类算法,主要工作体现在以下两点。首先,本课题结合流形的局部线性嵌入表示,在重构数据嵌入空间的同时利用F范数构造的低秩约束来逼近其特征向量的子空间结构,建立了低秩局部嵌入表示模型(LRLER)。在此模型中,数据的多流形结构在嵌入空间内转化为多子空间结构,而对嵌入空间的子空间逼近,既刻画了数据的局部非线性流形特征,又表现了数据的子流形间的关系,使得数据的稀疏表示矩阵能更好的反应数据的本征分布从而构建更合理的数据图,以实现多数数据集上更为准确的聚类。通过在合成数据集和真实数据集上大量的对比试验,验证了本课题所提出的低秩局部嵌入表示子空间聚类方法较与经典的子空间聚类方法的优越性能,并通过实验对算法中的参数进行了分析,给出了一种经验参数选择策略。其次,在低秩局部嵌入表示的基础上本课题又考虑了多流形数据集流形交迭所导致的邻域混杂问题,建立了基于局部切空间矫正权的低秩局部嵌入模型(NA-LRLER)。邻域混杂问题主要是因为在建模数据的局部流形结构时,缺乏对近邻点所属子流形类信息的刻画,直接以数据点之间的距离为度量来选取用以数据表示局部信息的近邻集。而邻域混杂通常会使得某一点的局部关系建模中含有来自属于异类近邻点的干扰,进而影响对数据集的表示。本课题结合局部切空间的结构特性,利用混杂邻域内各点处切空间夹角描述近邻点的类信息,构建邻域矫正权优化问题,以实现与数据点同类的近邻权小而异类的近邻权大,然后通过数学推导和证明,给出该优化问题的解,并利用广义余弦度量刻画了局部切空间夹角权,最后将矫正权用于低秩局部嵌入表示模型上,在合成数据集下和真实数据集下进行了大量的对比试验,分析了混杂邻域的系数矩阵变化情况以及比较了矫正后算法和原始算法的聚类精度,并给做了局部切空间矫正权模型中的参数分析。(本文来源于《哈尔滨工程大学》期刊2018-12-01）
杨凌凯[8]（2018）在《流形嵌入过采样非平衡学习及其应用研究》一文中研究指出不管是在真实世界获得的数据集,还是仿真平台获得的数据集都存在着大量的非平衡特性。非平衡意味着数据集中不同类别数据的数据规模存在巨大的差异,例如在一个数据集中多数类数据有1000条,而少数类的数据只有10条。这种非平衡特性会给后续的模式识别带来很大的困难,并且非平衡数据集在工业过程故障诊断的场景下非常常见。因此,对非平衡问题的关注与研究是很有必要的。过采样算法是比较常见的一种解决非平衡问题的思路。其通过重新对观测数据集进行采样的方式,增加少数类样本的数量,将原先的非平衡数据集转换成平衡数据集,最后在平衡数据集上进行模式识别。但是先前大多的过采样方法并未考虑观测空间数据集数据间存在的非线性特性,而直接用线性插值的方法增加的少数类样本的方式,很可能会使得新增的少数类样本并不满足原始观测空间数据的真实分布特性。因此,本文将流形学习与过采样算法相结合,通过流形学习来发掘观测空间数据集的本质结构,之后基于这一本质的数据结构进行过采样,来提高非线性非平衡数据集过采样生成的少数类样本的质量。1.针对工业故障诊断中存在的非平衡问题,提出一个流形嵌入过采样框架。首先,验证了流形嵌入过采样这一框架所生成的少数类样本基本满足观测数据集的数据分布。然后,在这一框架中测试了6种流形学习方法和4种过采样方法在TE过程数据集,巴萨罗那水系统数据集和兴隆庄矿皮带系统过载故障数据集上的效果。实验结果说明相比于直接使用过采样的方法,流形嵌入算法确实可以提高生成数据的质量,进而提高分类器的分类性能。2.针对煤矿冲击地压灾害的识别问题,设计了一个半监督过采样框架。首先,使用主成分分析,线性判别分析等流形学习方法挖掘冲击地压灾害微震检测信号数据集的内在结构,进行特征提取,同时压缩原始数据集的数据量。其次,对特征空间的非平衡数据集进行过采样,构造平衡数据集。然后,使用半监督学习方法来为过采样生成的少数类样本添加更加可信的标签。最后,基于平衡数据集学习分类器。3.针对过采样方法在解决非线性非平衡数据集时存在的问题,结合局部线性嵌入这一经典的流形学习方法,提出了基于局部线性插值的过采样方法。与传统的少数类样本间插值的过采样方法不同,基于局部线性插值的过采样方法包括过采样和过采样数据添加标签这两个步骤。首先,借鉴局部线性嵌入的思想,使用中心样本点的k个近邻样本线性表达中心样本点,获得权重矩阵,保存观测数据集的结构信息。之后基于权重矩阵,使用线性插值的方法,获得整个数据集的新增数据。最后为新增样本添加标签。由于本方法基于原始数据集的数据结构进行过采样,在过采样时并不考虑数据的标签,因此可以同时对多类数据样本过采样。其次,由于考虑了数据集整体的结构信息,可以提高非线性数据集的过采样样本质量。最后,使用核函数的方法来进一步提升该方法的处理非线性过采样问题的能力,提出核化的局部线性插值过采样方法。在UCI的4个实验数据集上的实验证明了本方法的有效性。(本文来源于《中国矿业大学》期刊2018-06-01）
刘娴[9]（2018）在《广义图嵌入流形学习SAR目标识别方法研究》一文中研究指出合成孔径雷达(Synthetic Aperture Radar,SAR)能够全天时、全天候地获取地球表面高分辨率图像,在农业调查、地质勘探、灾害评估和军事侦察等领域具有重要应用。SAR自动目标识别(Automatic Target Recognition,ATR)技术可以自动、准确、高效地将SAR图像中的目标进行分类、辨识,极具研究与应用价值,是当前国际SAR技术领域的前沿热点。特征提取是SAR ATR的关键技术。针对SAR图像目标识别问题,本文开展了流形学习理论的目标特征提取与识别方法的深入研究,主要创新如下:1.提出了一种SAR图像的边缘样本鉴别嵌入特征提取方法,通过引入边缘样本鉴别因子,使边缘样本更好的聚集在类中心周围,解决了边缘样本的特征混迭问题,提高了目标识别率。2.提出了一种样本熵距离鉴别分析的SAR图像特征提取方法,不仅能够在特征提取时融入样本贡献度,并且可使近邻异类样本分离,非近邻同类样本聚集,解决了同类样本特征分散程度大的问题,在更低维的特征空间提升了目标识别性能。3.提出了一种邻域样本信息熵的SAR图像定向鉴别投影特征提取方法,能够依据各样本邻域信息熵,构建邻域样本定向聚集中心,明确样本聚集方向,在低维空间实现了特征更好的聚集,提高了目标识别率。4.建立了广义图嵌入流形学习理论的框架,揭示了上述叁种流形学习方法与现有流形算法的共同物理本质和数学表征可转移性,提出了特征提取策略的统一数学描述,为流形学习理论在SAR目标识别中的研究奠定了框架性理论基础。上述方法,已通过仿真和MSTAR数据库进行了验证。结果表明本文中提出的叁种SAR目标特征提取方法能够适用于小样本、非线性数据集,解决了边缘样本的特征混迭、同类样本特征分散程度大、样本在低维空间不能有效聚类的问题,并扩展提出了相应的线性算法、核算法、张量算法,有效提高了SAR目标的识别率和识别稳健性。本文的工作完善了流形学习理论,并为其在SAR目标识别工程应用中的高效实现奠定了理论基础。(本文来源于《电子科技大学》期刊2018-05-16）
林克正,王海燕,林璇玑,李骜[10]（2018）在《余弦度量的多流形最大间距鉴别保持嵌入》一文中研究指出针对LMMDE算法存在的缺陷,提出了余弦度量的多流形最大间距鉴别保持嵌入算法(Multi-manifold Maximal Margin Discriminant Preserving Embedding based on Cosine M easure,CM M M M DPE).该算法首先利用多流形思想将原始样本集中的每个样本分成若干个局部小块样本,形成一个多流形的样本空间.在为流形内的每个局部小块样本确定类间邻域和类内邻域时,采用余弦距离代替欧式距离的度量方式.定义了加权的类间邻域散布矩阵和类内散布矩阵,来描述整个多流形空间中样本之间的相似度,通过相应的准则函数为每个样本流形找到最优投影矩阵,对每个样本流形降维到更低维流形空间中,最后通过计算测试样本流形与训练样本流形的距离来判定测试样本的类别归属.通过在多个人脸库上的实验,验证了本文方法的有效性.(本文来源于《小型微型计算机系统》期刊2018年04期）
流形嵌入论文开题报告范文
（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：
图像表征在图片识别等技术中扮演着核心角色,成为模式识别领域中广受关注的问题。子空间分析方法已成为当前图像表征主要技术之一。传统的子空间方法大多单一关注数据的全局或局部特性,对于复杂数据其特征表达能力仍有不足;同时在复杂场景,例如噪声、多视角等问题中,子空间方法目前还没有较为统一的表征方案。针对上述问题,本文研究基于引入样本惩罚因子的低秩子空间表达并融合流形嵌入技术构造广义的特征表达框架,提高在复杂数据,复杂场景下对图像的特征表达能力。并设计实现人脸识别系统,结合本文所提出的图像表征算法,提高人脸识别性能。本文的主要工作如下:本文提出基于最小二乘的流形嵌入图像表征方法。将主成分分析中通过最小二乘最小化重构误差思想作为基本框架,引入泛化的局部流形嵌入作为特征表达方法。与已知的主成分分析方法不同,我们提出的广义最小二乘重构误差考虑投影数据结构和样本点的惩罚。并通过引入于流形嵌入,平衡子空间特征表达的局部几何结构和全局结构。人脸识别和手写体数字识别的实验结果表明,与常用的流形嵌入方法相比,该方法保持了较低的子空间结构并且取得较高的分类结果,显示此框架在特征表达方面具有优越的性能。本文提出基于低秩表达的多图嵌入图像表征方法。将多流形构造的样本惩罚字典引入低秩表达中,通过对样本点的加强或抑制获得更干净的低秩子空间特征,以更有效的解决低秩表达中的去噪和去除遮挡问题。并且通过多图流形嵌入技术融合,提高特征对数据不同流形结构的表达能力,平衡多视图数据下局部和全局结构。在叁个场景:前景提取、去除噪声、去除污染上的实验与流行的低秩算法比较结果表明,该特征提取方法具有更强的泛化能力和识别性能,能够有效针对现实数据中的污染、遮挡、多视角等复杂场景。基于以上图像表征算法设计并实现人脸识别系统。系统运行测试表明该人脸识别系统界面友好,功能正确,且能应对不同场景下的识别要求,验证了本文所提出的图像表征方法的有效性。
（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。
流形嵌入论文参考文献
[1].张冬妍,蒋大鹏,周宝龙,曹军,赵思琦.依据流形学习的局部线性嵌入对红松子品质近红外检测[J].东北林业大学学报.2019
[2].刘思行.基于低秩和流形嵌入的图像子空间表征研究[D].江苏大学.2019
[3].黄鸿,李政英,石光耀,潘银松.面向高光谱影像分类的多特征流形鉴别嵌入[J].光学精密工程.2019
[4].马宏亮,万建武,王洪元.一种嵌入样本流形结构与标记相关性的多标记降维算法[J].南京大学学报(自然科学).2019
[5].杨洋,王正群,徐春林,严陈,鞠玲.基于最大间隔准则的鲁棒多流形判别局部图嵌入算法[J].计算机应用.2019
[6].马世欣,刘春桐,李洪才,张耿,何祯鑫.基于线性嵌入和张量流形的高光谱特征提取[J].光学学报.2019
[7].叶东升.多流形嵌入子空间聚类方法研究[D].哈尔滨工程大学.2018
[8].杨凌凯.流形嵌入过采样非平衡学习及其应用研究[D].中国矿业大学.2018
[9].刘娴.广义图嵌入流形学习SAR目标识别方法研究[D].电子科技大学.2018
[10].林克正,王海燕,林璇玑,李骜.余弦度量的多流形最大间距鉴别保持嵌入[J].小型微型计算机系统.2018