全文总字数:6454字
1. 研究目的与意义
21世纪是信息高速发展的智能时代,模式识别(pattern recognition,pr)[1-2]得到了巨大发展,成为人们研究的热点领域。
模式识别为信息科学、图像处理、人工智能学习以及计算机视觉等学科提供了一定的技术支持,它通过计算机实现对各种形式的事物或现象进行处理分析、描述、识别、分类和解释的过程。
近几十年来,随着科学技术的发展,尤其是计算机技术突飞猛进,人们获取的数据维数普遍过高,高维数据的特征提取是模式识别必不可少的一个关键环节,从上世纪中叶起,研究学者们就开始这方面的研究,提出了许多理论和方法,积累了大量的研究成果。
2. 国内外研究现状分析
2.1 特征提取现状随着数据采集和存储技术的发展,海量的数据信息,内容丰富却复杂,为了能在庞大的数据中获取到直接有效的特征,进行识别分类,特征提取已经成为模式识别中必不可少的工具之一。
特征提取,即在庞大的原始特征中获取最有效的、最重要的特征, 在不丢失原始数据的可识别信息的情况下,实现降低特征空间维数,进行有效分类的目的。
目前有许多特征提取方法,其中最经典的是主成分分析(principal component analysis,pca)算法和线性鉴别分析(linear discriminant analysis,lda)。
3. 研究的基本内容与计划
本文主要研究的是对多视图的特征提取与支持向量机分类识别。
(1)特征提取:就是从图像信息中挑选出做容易做出分类的有效特征,同时对特征进行维度降低,减少特征提取的时间和空间消耗。
(2)支持向量机:是根据有限的样本信息在模型的学习能力(即无错误地识别任意样本的能力)和复杂性(即对特定训练样本的学习精度)之间寻求最佳折衷,不仅期望较好的分类精度,而且能获得良好的推广能力。
4. 研究创新点
(1)本文将支持向量机分类技术应用于多视图的模式识别具有一定的先进性和研究价值。
(2)本文提出一种基于lp范数最小化和ls范数最大化的鲁棒的多视图gepsvm算法,简称lp,s-mvgepsvm。
针对这一问题我们设计了一种高效的迭代算法,并给出了算法收敛性的证明。
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。