收藏本站
《安徽大学》 2017年
收藏 | 手机打开
二维码
手机客户端打开本文

模式识别核方法的理论研究及其应用

徐立祥  
【摘要】:核方法及其理论是以双射函数和变换理论为基础,它的核心是研究希尔伯特空间上的一些半正定函数以及它的相关应用。基于核的机器学习方法不仅适用于以特征向量表示的模式,也适用于结构化数据的模式,前者对应的是向量核方法,后者对应的是图核方法。因此,模式识别核方法主要可以分为两类:向量核方法和图核方法,早期的研究主要集中于对向量核的研究,它不论在理论上,还是在应用上都得到了较成功的发展,也吸引了很多领域的学者对基于核方法的机器学习的理论与应用技术进行了应用、推广和发展。图核发展较迟,近几年才慢慢被人们逐渐熟知并加以应用和推广,尤其在数字图像的结构图建模、特征描述和匹配等研究领域,被越来越多的学者关注,图核因其能够描述图的结构特征,所以在结构模式识别领域具有独天独厚的优势。模式识别核方法具有坚实的理论基础,这使得核方法及其理论不仅在数学理论领域得到了非常重要的研究和发展,而且在模式识别、机器学习、数据挖掘等研究领域也得到了极为广泛的关注与应用。因此,进一步研究核方法的理论与应用具有非常重要的意义。论文的主要工作和创新点有:第一,提出了一种再生核希尔伯特空间上的多核学习方法。首先,通过狄拉克函数介绍了一类广义微分方程的基本解,并分析了这个基本解是H2-空间上的再生核。其次,基于这个H2-空间上的再生核设计了一种基于H2-空间上再生核的多核学习方法。由多核代替单核能增强支持向量机决策函数的可解释性,并且可以获得更优的分类性能。最后,用大量的实验验证了我们方法的有效性。第二,提出了一种多属性的具有再生性的卷积核方法。首先,通过狄拉克函数介绍了一类广义微分方程的解,并基于这个解设计了一个多属性卷积核函数。其次,验证了这个多属性函数满足Mercer核的条件,且这个多属性核函数具备三个属性:L1-范数,L2-范数和拉普拉斯核。再次,与传统的希尔伯特空间核方法相比,该卷积核方法在考虑多个属性的情况下,融合了每个属性的特点,有助于提高基于多属性核函数支持向量机的分类精度。最后,在实验数据集上验证了该方法拥有较好的分类能力。第三,提出了一种基于Weisfeiler-Lehman(WL)图核的三种混合图核方法。首先,给出WL图核的基本理论和相关知识,并介绍基于WL图序列,进一步介绍基于该序列的子树核、边核和最短路径核。其次,基于WL图核定义了三种混合图核,第一种为加权混合图核,它是参数混合图核,第二种为精度比混合图核,第三种为乘积混合图核,后两种图核属于无参数图核。最后,实验结果表明基于WL图核的组合图核在所选实验数据集上与相应的单个图核比较,组合图核可以获得较好的分类精度,因此,研究混合图核的理论与应用具有非常重要的实际意义。第四,提出了一种基于逼近的冯诺依曼熵的再生性图核方法。首先,给出无向图的一个信息熵逼近表达式,这个表达式是依赖于图的顶点的度的统计,然后通过这个逼近的冯诺依曼熵来度量结构图信息。其次,通过一个广义微分方程的基本解来给出H1-空间上的H1-核函数。最后,基于逼近的冯诺依曼信息熵与H1-核函数定义了一个逼近的冯诺依曼熵再生性图核,实验结果表明,与其他图核方法相比,我们方法的分类精度在所选的大多数数据集上能够超过所选的其他图核方法,并且计算时间较短。
【关键词】:核方法 多核学习 多属性卷积核 混合图核 信息熵图核
【学位授予单位】:安徽大学
【学位级别】:博士
【学位授予年份】:2017
【分类号】:TP391.4
【目录】:
  • 摘要3-5
  • ABSTRACT5-9
  • 第一章 绪论9-15
  • 1.1 模式识别核方法的研究背景及意义9-10
  • 1.2 核方法的研究现状10-13
  • 1.3 论文的主要内容13-15
  • 第二章 模式识别核方法15-37
  • 2.1 再生核函数15-22
  • 2.1.1 再生核理论15-17
  • 2.1.2 再生核的定义及举例17-19
  • 2.1.3 再生核的基本性质19-20
  • 2.1.4 再生核的定理20-22
  • 2.2 向量核函数22-31
  • 2.2.1 向量核的定义22-23
  • 2.2.2 Sobolev希尔伯特空间上的核函数23-25
  • 2.2.3 基于再生核的组合核函数25-28
  • 2.2.4 仿真结果与分析28-31
  • 2.3 图核31-36
  • 2.3.1 基于游走的图核32-33
  • 2.3.2 基于路径的图核33-34
  • 2.3.3 基于子树结构的图核34-35
  • 2.3.4 基于子图结构的图核35
  • 2.3.5 其它基于R-卷积的图核函数35-36
  • 2.4 本章小结36-37
  • 第三章 基于H~2-空间上再生核的多核学习37-48
  • 3.1 多核的概念37-38
  • 3.2 H~2(R)空间上的向量核函数38-43
  • 3.2.1 H~2(R)上的再生核38-41
  • 3.2.2 具有再生性质的Mercer核41-43
  • 3.3 H~2(R)空间上的多核学习43-44
  • 3.4 实验结果与分析44-46
  • 3.5 本章小结46-48
  • 第四章 具有再生性的多属性卷积核方法48-62
  • 4.1 相关工作48-49
  • 4.2 H~3(R)空间上的核函数49-55
  • 4.2.1 核函数49-50
  • 4.2.2 H~3(R)空间上的再生核50-52
  • 4.2.3 H~3(R)空间上卷积核52-55
  • 4.3 实验结果与分析55-60
  • 4.3.1 实验数据55-56
  • 4.3.2 参数选择56-57
  • 4.3.3 分类结果57-59
  • 4.3.4 验证59-60
  • 4.4 本章小结60-62
  • 第五章 混合WEISFEILER-LEHMAN图核62-80
  • 5.1 WL图核的基本知识62-66
  • 5.1.1 WL图核框架63-64
  • 5.1.2 WL子树核64-65
  • 5.1.3 WL边核65-66
  • 5.1.4 WL最短路径核66
  • 5.2 WL组合图核66-68
  • 5.2.1 加权混合图核67
  • 5.2.2 精度比混合图核67-68
  • 5.2.3 乘积混合图核68
  • 5.3 实验结果与分析68-79
  • 5.3.1 数据集68-69
  • 5.3.2 实验设置69-70
  • 5.3.3 加权组合图核70-75
  • 5.3.4 精度比权重组合图核75-76
  • 5.3.5 乘积组合图核76-78
  • 5.3.6 三种组合图核的比较78-79
  • 5.4 本章小结79-80
  • 第六章 基于冯诺依曼熵的再生性图核80-90
  • 6.1 图的顶点度的分布80-81
  • 6.2 逼近的图的冯诺依曼熵81-82
  • 6.3 基于逼近的冯诺依曼信息熵的再生图核82-83
  • 6.4 实验分析83-89
  • 6.4.1 图数据集83-85
  • 6.4.2 图核矩阵85-86
  • 6.4.3 分类精度86-88
  • 6.4.4 时间复杂度88-89
  • 6.5 本章小结89-90
  • 第七章 总结与展望90-92
  • 参考文献92-105
  • 致谢105-107
  • 攻读学位期间发表的学术论文107

【相似文献】
中国期刊全文数据库 前10条
1 杨合超;宋海歌;周雪梅;;模式识别的主要方法及其应用[J];电脑知识与技术;2008年S2期
2 温星;;浅谈人类模式识别的特点[J];山西经济管理干部学院学报;2008年01期
3 ;2009年全国模式识别学术会议暨中日韩模式识别学术研讨会征文通知[J];模式识别与人工智能;2009年02期
4 ;2010年全国模式识别学术会议[J];智能系统学报;2010年02期
5 赵志宇;常健;;模式识别概述及其应用[J];信息与电脑(理论版);2010年10期
6 谭咏梅;王小捷;钟义信;;模式识别课程的教学探索[J];计算机教育;2011年15期
7 丁雪;刘颖;;复杂工业场景模式识别的探索与研究[J];科技创新导报;2012年35期
8 高贵;周石琳;孙即祥;何鹃;;提升“模式识别新技术研讨”教学质量[J];电气电子教学学报;2013年04期
9 施鹏飞;模式识别[J];自然杂志;1982年01期
10 石青云;;“模式识别”[J];自动化学报;1984年01期
中国重要会议论文全文数据库 前10条
1 张如浩;赵巍;齐永和;;人类形象思维模式识别与机器模式识别之探讨[A];1995年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集(下册)[C];1995年
2 李瑞宏;李薄山;肖薇;;模式识别与病毒对抗[A];第十一届全国计算机安全技术交流会论文集[C];1996年
3 王筝;杨德超;高军涛;许翱翔;欧阳楷;;兔嗅觉神经的动力学研究——模式识别的稳健性[A];21世纪医学工程学术研讨会论文摘要汇编[C];2001年
4 吴晓明;盛元生;王克明;沙云东;李宴喜;;航空结构声疲劳应力的仿真与模式识别[A];2003年中国智能自动化会议论文集(下册)[C];2003年
5 张开银;;模式识别中的信息融合方法——二次决策[A];第二届全国信息获取与处理学术会议论文集[C];2004年
6 赵健;俞卞章;;小波与神经网络在模式识别中应用的研究[A];中国仪器仪表学会第三届青年学术会议论文集(上)[C];2001年
7 崔建国;王旭;张大千;王少曼;张威;;基于磁场刺激与神经网络肌电信号的模式识别[A];第三届全国信息获取与处理学术会议论文集[C];2005年
8 ;红外偏振图像的模式识别[A];黑龙江、江苏、山东、河南、江西 五省光学(激光)联合学术‘13年会论文(摘要)集[C];2013年
9 李永杰;李凌;廖小丽;陈华富;尧德中;;在生物医学工程专业本科生中开设《模式识别》课程的实践与构想[A];中国生物医学工程进展——2007中国生物医学工程联合学术年会论文集(下册)[C];2007年
10 尹春玲;胡乐乾;蔡玉乐;张海艳;;红外光谱法对茶叶种类的模式识别[A];中国化学会第十二届全国应用化学年会论文集[C];2011年
中国重要报纸全文数据库 前7条
1 陈瑜唐婷;让计算机会看、会听、会说、会思考[N];科技日报;2007年
2 范兴川 郑华坤;计算机形象思维创新之路[N];科技日报;2004年
3 记者 吴苡婷;心愿:让高科技走出“象牙塔”[N];上海科技报;2006年
4 本报记者 佘惠敏;模式识别,行走在电脑与人脑之间[N];经济日报;2014年
5 张琪;当机器抢了你的工作[N];经济观察报;2012年
6 记者 邵斌;汉语走上国际口语自动翻译平台[N];大众科技报;2000年
7 记者 刘垠;首届中美视觉夏令营开营[N];大众科技报;2009年
中国博士学位论文全文数据库 前10条
1 罗颂荣;基于变量预测模型模式识别的旋转机械故障诊断研究[D];湖南大学;2015年
2 周昊飞;基于模式识别的自动化生产过程质量智能诊断研究[D];郑州大学;2016年
3 徐立祥;模式识别核方法的理论研究及其应用[D];安徽大学;2017年
4 厉小润;模式识别的核方法研究[D];浙江大学;2007年
5 赵海峰;基于图的模式识别及其在计算机视觉中的应用[D];南京理工大学;2011年
6 肖潇;高维仿生信息几何学研究及其在模式识别中的应用[D];浙江工业大学;2012年
7 颜学峰;高维复杂模式识别的新方法[D];浙江大学;2002年
8 丁世飞;基于信息理论的数字模式识别及应用研究[D];山东科技大学;2004年
9 万海平;模式识别中核方法若干问题研究[D];北京邮电大学;2006年
10 陈文涛;烟草异物在线高速模式识别与剔除技术研究[D];重庆大学;2003年
中国硕士学位论文全文数据库 前10条
1 臧佳音;基于IGSA优化的MLSSVR应用研究[D];燕山大学;2015年
2 赵盈;基于模式识别的结构可靠度分析方法研究[D];广西大学;2015年
3 汪磊;基于LBS轨迹的出行活动链模式识别研究[D];大连交通大学;2015年
4 李松;市售发酵酱油品质分析及模式识别研究[D];吉林农业大学;2015年
5 王平光;桥梁拉索腐蚀损伤声发射监测及模式识别[D];大连理工大学;2015年
6 贾士力;模式识别在生物信息学中的应用[D];河北科技大学;2015年
7 高芬;基于局部模型和仿生模式识别的目标跟踪方法研究[D];西安电子科技大学;2015年
8 尹子彬;多负载模式识别计量控制系统[D];石家庄铁道大学;2015年
9 李龙;基于神经网络的轮式小车系统的模式识别研究[D];天津科技大学;2013年
10 张波;基于超声波法的GIS局部放电模式识别的研究[D];华北电力大学;2015年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026