导读:本文包含了子空间分割论文开题报告文献综述及选题提纲参考文献，主要关键词:子空间分割,核理论,图正则,聚类
子空间分割论文文献综述
郑毅伟,许金波,王艺恬,简彩仁[1]（2019）在《核化图正则子空间分割方法》一文中研究指出传统的线性子空间分割方法很难刻画数据的非线性结构。借鉴核理论提出核化图正则子空间分割方法,在非线性空间中对数据进行重构,有利于刻画数据的非线性特点。利用Sylvester方程可求得全局最优解。2个图像数据集和2个基因表达数据集的实验结果表明,核化图正则子空间分割方法优于其他线性子空间分割方法。(本文来源于《物联网技术》期刊2019年05期）
蔡晓云,尹贺峰,傅文进,赵航涛[2]（2019）在《一种改进的最小二乘回归子空间分割方法》一文中研究指出最小二乘回归(LSR)算法是一种常见的子空间分割方法,由于LSR具有解析解,因此它的聚类性能较高。然而LSR算法是应用谱聚类方法聚类数据,谱聚类方法初始化聚类中心是随机的,会影响后面的聚类效果。针对这一问题,提出一种基于聚类中心局部密度和距离这2个特点的改进的LSR算法(LSR-DC)。在Extended Yale B数据集上进行实验,结果表明,该算法有较高的聚类精度,具有一定的鲁棒性,优于现有LSR等子空间分割方法。(本文来源于《计算机与现代化》期刊2019年05期）
刘胜男[3]（2018）在《基于多特征与改进子空间聚类的SAR图像分割》一文中研究指出合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式对地观测系统,能够全天时、全天候实施对地观测,SAR图像以其独特的优势发挥着其他遥感图像难以发挥的作用。SAR图像分割将SAR图像分成互不重迭、具有特定意义的若干区域,是SAR图像理解和解译的重要环节。子空间聚类算法是一种适用于高维数据的聚类算法,可以将高维数据划分到低维子空间中。基于子空间聚类的图像分割方法,将图像的分割问题看成图像特征数据的聚类问题。本文针对稀疏子空间聚类算法由于表示系数过稀疏而缺乏子空间连通性的问题,提出了基于改进弹性网子空间聚类的SAR图像分割模型,同时提出了两种新的特征提取方法应用于提升SAR图像分割的性能。本文的主要内容如下:(1)本文提出了一种基于改进弹性网子空间聚类的SAR图像分割模型。首先将图像的特征矩阵作为聚类数据,通过弹性网算子得到特征矩阵的子空间表示系数矩阵。然后采用本文给出的超距离模型代替欧式距离计算特征数据之间的距离,利用基于超距离的改进谱聚类算法对系数矩阵进行聚类。实验表明,本文提出的SAR图像分割方法能够有效提高分割精度并降低分割时间。(2)本文提出了一种基于特征融合和改进弹性网子空间聚类的SAR图像分割模型。首先对SAR图像进行预处理,并得到关于像素点的图像块。接着采用M-surf特征描述算子对图像块进行特征描述,得到关于像素点的特征向量,进而得到图像的特征矩阵。然后对图像灰度值特征提取,并将不同特征矩阵融合,得到具有多种属性的融合特征矩阵。最后利用改进弹性网子空间聚类算法对特征矩阵进行聚类。实验分析表明,本文提出的方法有效提高了SAR图像的分割性能。(3)本文提出了一种SAR-KAZE特征提取算法用来提取SAR图像的特征。首先依据非线性扩散滤波原理和加性分裂算子对SAR图像进行滤波,该方法在滤除噪声的同时保留了图像中的边缘和细节。然后利用SAR-KAZE特征描述算子提取滤波图像的特征,得到含有图像一阶和二阶梯度信息的特征矩阵,该特征矩阵能够更加详细的描述图像的边缘和细节信息。实验表明,应用本文提出的特征提取方法,能有效提高SAR图像的分割视觉效果和分割精度。(本文来源于《西安电子科技大学》期刊2018-06-01）
林智鹏,黄増裕,简彩仁[4]（2018）在《流形降维最小二乘回归子空间分割》一文中研究指出子空间分割方法一直是一种重要的机器学习方法,这些方法在人脸识别和基因表达数据识别等研究中有较好的聚类准确率。然而,这些方法在对高维小样本数据进行聚类时难以取得理想的结果。为了解决这些问题,借鉴流形降维中的局部保持投影法和最小二乘回归子空间分割法,提出流形降维最小二乘回归子空间分割法。该方法通过局部保持投影进行降维,再利用最小二乘回归子空间分割方法实现聚类。在6个生物基因表达数据集和2个图像数据集上的实验表明了该方法的有效性。(本文来源于《信息技术与网络安全》期刊2018年03期）
简彩仁,翁谦,陈晓云[5]（2018）在《基于核最小二乘回归子空间分割的高维小样本数据聚类》一文中研究指出针对基于线性表示理论的子空间分割方法没有考虑高维小样本数据的非线性性质,借鉴核理论,提出核最小二乘回归子空间分割方法,使子空间分割方法适合高维小样本数据的非线性性质.经6个基因表达数据集和4个图像数据集上的实验,表明该方法是有效的.(本文来源于《福州大学学报(自然科学版)》期刊2018年01期）
洪岚,魏莱[6]（2017）在《基于核方法的相关自适应子空间分割》一文中研究指出人脸识别是模式识别研究的热门课题,有很重要的应用价值。针对在高维非线性人脸数据集的识别困难问题,提出一种基于核方法的相关自适应子空间分割方法(KCASS)。将相关自适应子空间分割(CASS)与核方法相结合,构成Kernel CASS方法。实验证明,该方法在效率上和识别效果上较之前的分类方法有进一步改善。(本文来源于《现代计算机(专业版)》期刊2017年24期）
汪静,魏莱[7]（2017）在《局部约束相关自适应子空间分割》一文中研究指出如何利用数据本身相关性以及数据的内部结构来对数据集进行有效的分割是子空间分割的一个重要问题。根据数据集本身的内部结构以及数据之间相关性,提出一种新的基于局部约束的相关性自适应子空间分割方法(LCASS)。为实现良好的子空间分割效果,在基于迹Lasso方法的相关自适应子空间分割方法(CASS)基础上,通过增加局部约束来计算重构系数,并由此构建数据集邻接矩阵。在人脸聚类的实验证明中,此方法构造的邻接矩阵能够更好地表征数据集的内在结构,因此能够得到更好的聚类效果。(本文来源于《现代计算机(专业版)》期刊2017年21期）
简彩仁,吕书龙[8]（2017）在《权自适应最小二乘回归子空间分割法》一文中研究指出基于表示理论的子空间分割方法有着广泛的应用。经典的子空间分割方法通过不同的正则项求解仿射矩阵,而忽略了特征属性对子空间分割的影响。针对这些问题,通过特征权重自适应的思想对最小二乘回归子空间分割方法进行改进,提出权自适应最小二乘回归子空间分割方法。在6个数据集上的实验结果表明该方法是有效的。(本文来源于《微型机与应用》期刊2017年10期）
严亮[9]（2017）在《稀疏子空间聚类算法及其在运动分割中的应用研究》一文中研究指出如今社会,人们不满足于仅仅播放多媒体信息,转向基于视频对象的访问、检索和操作,于是基于视频的运动分割技术成为了研究重点。运动分割是将视频中有着不同运动的物体分开,是基于对象的视频编码、视频检索、多媒体交互的基石。传统的运动分割算法采用运动目标检测和目标跟踪,在利用帧差法和光流法对运动目标检测时,极易受到噪声的影响,目标跟踪又涉及目标的遮挡、扭曲和变形等问题,于是复杂场景下进行运动分割很难得到理想效果。通过转换问题的角度,采用稀疏子空间聚类算法,避开运动检测和目标跟踪遇到的难题,来实现复杂场景下的运动分割。基于同一运动的特征点轨迹在同一线性流形上,于是可以利用稀疏子空间聚类算法对特征点轨迹进行聚类来实现运动分割。稀疏子空间聚类算法在处理高维数据时,能够将高维数据分割到所属的低维子空间中去,揭示高维数据所在本质子空间,算法可以同时处理奇异点和噪声对聚类的影响,针对稀疏子空间算法的研究,本文做了如下工作:(1)通过对比k-means算法,深入研究自适应谱聚类算法。由于稀疏子空间聚类算法是基于谱聚类,对谱聚类的相关基础和理论知识做了深入研究,分析谱聚类的研究成果和应用现状,针对谱聚类需要手动输入聚类数目的缺点,本文依据矩阵的扰动理论,同时计算矩阵的特征间隙,从而实现聚类算法自动确定聚类数目。为了证明谱聚类算法能处理任意样本形状的数据集,而且不陷入局部最优,本文选取各种形状的样本集进行实验,同时用k-means算法处理这些样本集,通过实验对比,发现自适应谱聚类算法在处理样本集上的优势。(2)提出混合最小二乘回归的稀疏子空间聚类算法。针对稀疏子空间聚类算法如何构造真实合理反映数据集的相似度矩阵的问题,相似度矩阵既要类间稀疏又要内类均匀,这样才能保证属于同一个类的数据点相似度最大,属于不同类的数据点相似度最小,对于样本集存在各种噪声点、奇异样本点和孤立点,本文采用数据项矩阵来处理噪声的影响,通过分析稀疏子空间聚类专注于每一个数据表示系数的最大稀疏性,缺乏对数据集全局结构的描述;低秩子空间聚类算法保证了同一类数据的结构相关性,但是不够稀疏。本文决定将最小二乘回归引入稀疏子空间聚类算法中,从而保证数据的相似度矩阵兼具稀疏性和分组效应,并用数据集验证改进算法性能。(3)研究改进稀疏子空间聚类算法在运动分割中的应用。将稀疏子空间聚类算法应用于视频对象处理中,建立运动分割模型,进行运动分割实验,实验结果表明,改进的算法在保证时间复杂度的情况下,提高了运动分割的准确率。(本文来源于《重庆理工大学》期刊2017-03-25）
李东萍[10]（2017）在《基于稀疏子空间聚类的图像超像素分割研究》一文中研究指出图像分割是一种关键的图像分析技术,它解决的是图像目标提取的问题,通过形成抽象紧凑的图像信息,使人们能够更高效地对图像进行识别和筛选。随着各种新理论的提出,图像分割的研究方法出现了许多新的结合形式,以满足不断增多的分割要求。本文结合超像素、稀疏子空间聚类的思想,对基于稀疏子空间聚类的图像超像素分割方法进行了研究,包括超像素特征的提取,图的构造和图的分割。首先,对稀疏子空间聚类的理论基础及模型进行了介绍;然后,对简单线性迭代聚类(SLIC)算法进行了研究,针对该方法超像素个数及紧凑因子需要人工设定的问题,提出了一种参数自适应的SLIC方法,利用HSV空间非等间隔量化和颜色邻域方差相似性加权的方式实现了参数自适应。实验表明,该方法可以产生符合视觉感知的超像素,具有抗欠分割和过分割的作用。最后,通过稀疏子空间聚类和低秩子空间聚类,构造了图的相似度矩阵,实现了图像到图的映射,使用归一化割完成了图的分割。实验表明,结合超像素和稀疏子空间聚类的分割方法可以将图中的显着目标提取出来。(本文来源于《华北电力大学》期刊2017-03-01）
子空间分割论文开题报告
（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：
最小二乘回归(LSR)算法是一种常见的子空间分割方法,由于LSR具有解析解,因此它的聚类性能较高。然而LSR算法是应用谱聚类方法聚类数据,谱聚类方法初始化聚类中心是随机的,会影响后面的聚类效果。针对这一问题,提出一种基于聚类中心局部密度和距离这2个特点的改进的LSR算法(LSR-DC)。在Extended Yale B数据集上进行实验,结果表明,该算法有较高的聚类精度,具有一定的鲁棒性,优于现有LSR等子空间分割方法。
（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。
子空间分割论文参考文献
[1].郑毅伟,许金波,王艺恬,简彩仁.核化图正则子空间分割方法[J].物联网技术.2019
[2].蔡晓云,尹贺峰,傅文进,赵航涛.一种改进的最小二乘回归子空间分割方法[J].计算机与现代化.2019
[3].刘胜男.基于多特征与改进子空间聚类的SAR图像分割[D].西安电子科技大学.2018
[4].林智鹏,黄増裕,简彩仁.流形降维最小二乘回归子空间分割[J].信息技术与网络安全.2018
[5].简彩仁,翁谦,陈晓云.基于核最小二乘回归子空间分割的高维小样本数据聚类[J].福州大学学报(自然科学版).2018
[6].洪岚,魏莱.基于核方法的相关自适应子空间分割[J].现代计算机(专业版).2017
[7].汪静,魏莱.局部约束相关自适应子空间分割[J].现代计算机(专业版).2017
[8].简彩仁,吕书龙.权自适应最小二乘回归子空间分割法[J].微型机与应用.2017
[9].严亮.稀疏子空间聚类算法及其在运动分割中的应用研究[D].重庆理工大学.2017
[10].李东萍.基于稀疏子空间聚类的图像超像素分割研究[D].华北电力大学.2017