基于深度极限学习机的K-SVD算法研究及其应用

摘要

随着互联网和信息行业的蓬勃发展，自2012年以来，当今社会便进入了“大数据”时代，生活每天被各种各样的海量信息所包围，例如文字信息、语音信息、图像信息、视频信息等。作为信息或者数据的一种载体，图像因其所带给人们的即视感，已经成为了继文本、语音后又一存储和传递信息的常用形式，其数量正以惊人的速度增长。
　　然而，对于图像这种本身维度就很高的数据，用来存储并传输大量图像的资源是有限的，这就要求高效地表示图像以节省存储空间；与此同时，图像又不可避免地受到噪声污染，这就要求寻求一种方法，如何不受噪声影响地来表征信号。而且，在我们接收到图像数据后，为的是挖掘里面的信息，进一步地去理解图像，这就要求进行图像的识别与分类，如何高效地识别图像，这一问题也亟待解决。
　　基于上述的三个问题，本文面向图像的稀疏表示及字典学习算法，借鉴时下流行的深度学习算法思想，融入自动编码器“重构”的理念，采用时效性更高、参数调节少的极限学习机算法，实现了图像的识别与分类。
　　本文的主要工作如下：
　　（1）本文提到的基于自编码的深度极限学习机，可以作为一种新的特征表示方法。并且应用这种方法，不仅可以提取到更高级别的图像表征，更重要的是，在这一过程中，我们去掉了原图像中的噪声；
　　（2）基于上述方法，我们用更高级别的图像特征表示取代原图像，将“去噪”后的图像作为传统的 K-SVD算法的输入，提高了该算法的效率与准确率，而且在字典学习过程中，通过训练可以得到“去噪”的字典，而这一字典对K-SVD算法和字典学习都是至关重要的；
　　（3）本文将提出的新方法应用到4个不同的数据集，且这4个数据集在各自领域都具有一定的代表性，从而充分说明了论文中所提出的方法拥有较好的泛化性能。尤其在时下流行的多特征融合的数据集上效果也较理想，其实验结果也证明改进方法对多特征融合数据有一定的处理能力。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1课题来源

1.2论文研究背景及其意义

1.3课题研究现状国内外及存在的问题

1.3.1稀疏表示理论的研究现状

1.3.2特征表示学习的研究现状

1.4论文的主要工作和结构安排

1.4.1论文的主要工作

1.4.2论文的结构安排

第二章 特征表示学习理论

2.1深度学习理论的三种模型

2.1.1深信度网络

2.1.2卷积神经网络

2.1.3自动编码器

2.2极限学习机理论

2.2.1单隐层前馈神经网络与极限学习机

2.2.2基于自编码的深度极限学习机

2.3本章小结

第三章 基于深度极限学习机的K-SVD算法改进

3.1目标的稀疏表示

3.1.1K-SVD算法的基本原理

3.1.2K-SVD算法的去噪性能

3.2基于深度极限学习机的K‐SVD算法改进

3.2.1DDELM-AE网络训练

3.2.2去噪的特征表示及去噪的字典

3.3本章小结

第四章 改进的K-SVD算法在目标识别、图像分类中的应用

4.1手写字符识别

4.1.1DDELM-AE隐含层层数及隐含层节点数

4.1.2Ridge parameter

4.1.3实验结果

4.2物体识别

4.3人脸识别

4.4多特征融合的物体识别

4.4.1多特征融合介绍

4.4.2实验分析

4.5本章小结

第五章 总结与展望

5.1全文总结

5.2研究展望

参考文献

致谢

攻读硕士学位期间的研究成果