基于图的监督和半监督特征组合方法

摘要

本文主要研究基于图的监督和半监督的数据特征组合方法,提出了基于图的监督特征组合方法的框架(GF).并且将Fisher判别分析(FDA)、主成分分析(PCA)、局部保持投影(LPP)、判别局部保持投影(DLPP)、间隔Fisher分析(MFA)和极大间隔准则(MMC)归结到这个框架下,通过选取不同的权矩阵相应的得到GFDA, GPCA, GLPP, GDLPPP, GMFA和GMMC.但是所提出的框架通常会遇到矩阵的奇异性问题,为了解决这个问题提出了正则化的GF(RGF),基于零空间的GF(NGF),基于奇异值分解的GF(GF/SVD),基于广义奇异值分解的GF(GF/GSVD)和基于伪逆的GF(PIGF).
　　在GF基础上提出了基于图的半监督特征组合方法的框架(SGF),并且推广到加核情况下,得到相应的核SGF(KSGF)算法.
　　为了检验所提出的五种特征组合方法的有效性,通过一系列的遥感数据实验进行了测试.从得出的数据结果上,说明新的特征组合方法的有效性.特别的, GFDA优于其它四种基于图的监督特征组合方法, KSGF明显优于SGF。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 引言

1.2 本文研究框架

第二章 预备知识

2.1 图的基本概念

2.2 矩阵相关知识

2.3 核与再生核Hilbert空间

第三章 基于图的监督特征组合方法

3.1 基于图的监督特征组合框架(GF)

3.2 基于图的FDA( GFDA)

3.3 基于图的LPP(GLPP)

3.4 基于图的DLPP(GDLPP)

3.5 基于图的PCA(GPCA)

3.6 基于图的MFA(GMFA)

3.7 基于图的MMC(GMMC)

第四章 关于GF的新算法

4.1 Tikhonov正则化GF(RGF)

4.2 基于零空间的GF(NGF)

4.3 基于奇异值分解的GF(GF/SVD)

4.4 基于广义奇异值分解的GF(GF/GSVD)

4.5 基于伪逆的GF(PIGF)

第五章 基于图的半监督特征组合方法

5.1 基于图的半监督特征组合框架(SGF)

5.2 核SGF(KSGF)

第六章 实验与结果分析

6.1 基于图的监督算法的有效性

6.2 基于图的半监督算法的有效性

参考文献

致谢

攻读硕士学位期间发表的学术论文