检索结果-南通市图书馆

中国图象图形学报 2017年第4期22卷 463-471页

作者：王华彬路成周健陶亮施汉琴安徽大学媒体计算研究所合肥230601 安徽大学计算智能与信号处理教育部重点实验室合肥230039

目的目前非负矩阵分解一般使用乘性规则进行更新,乘性更新规则虽实现简单,但更新时收敛较慢,而且容易陷入局部最优解。当数据规模较大时,乘性规则的时效性很低,难以应用于一些实时性较强的问题中。针对乘性更新规则的这些缺点,提出一种... 详细信息

目的目前非负矩阵分解一般使用乘性规则进行更新,乘性更新规则虽实现简单,但更新时收敛较慢,而且容易陷入局部最优解。当数据规模较大时,乘性规则的时效性很低,难以应用于一些实时性较强的问题中。针对乘性更新规则的这些缺点,提出一种使用交替方向乘子求解正交投影非负矩阵分解的方法。方法首先,基于正交投影非负矩阵的正交性和稀疏性特征,将原始的目标函数优化问题分解为各子问题的交替优化求解过程。通过引入辅助变量建立原目标函数的增广拉格朗日方程,完成对原问题的子问题等价表示;然后,对转换后方程的主变量和对偶变量进行交替优化求解,从而找到原问题最优解。结果不同规模矩阵分解仿真实验结果表明,与乘性更新规则相比,本文所提方法在收敛速度和精度上具有明显优势,特别是在矩阵规模很大时,收敛速度明显优于乘性规则。同时,将本文方法应用于目标跟踪问题中,提出一种基于交替方向乘子方法的模版更新策略,并与乘性规则以及其他3种经典目标跟踪算法进行比较。本文方法在目标跟踪效果上与基于乘性更新规则方法相当,且优于其他3种方法,重叠率约0.73,且帧处理速度约是乘性规则的3.8倍。结论本文方法在数据规模较大时,处理速度明显优于乘性规则。在目标跟踪应用中,因其分解过程中的稀疏性和正交性,与常用跟踪算法相比能较好地应对视频场景中的遮挡、尺度变化及光照变化等干扰,其跟踪性能更加稳定。

关键词：正交投影非负矩阵分解交替方向乘子法乘性更新规则粒子滤波目标跟踪

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

一种高效的人脸识别算法

引用

计算机工程 2011年第22期37卷 134-136页

作者：孙霞王自强武汉理工大学计算机科学与技术学院武汉430070 河南工业大学信息科学与工程学院郑州450001

提出一种基于局部Fisher鉴别分析(LFDA)和优化支持向量机(SVM)的高效人脸识别算法。在综合考虑局部几何结构和类别信息的基础上,利用LFDA将高维人脸数据映射到低维特征空间,避免维数灾难问题。在该低维特征空间中,使用经乘性更新规则训... 详细信息

提出一种基于局部Fisher鉴别分析(LFDA)和优化支持向量机(SVM)的高效人脸识别算法。在综合考虑局部几何结构和类别信息的基础上,利用LFDA将高维人脸数据映射到低维特征空间,避免维数灾难问题。在该低维特征空间中,使用经乘性更新规则训练的优化SVM对人脸数据进行分类识别。在人脸数据库上的实验结果表明,该算法的运算速度较快,识别准确率较高。

关键词：人脸识别局部Fisher鉴别分析支持向量机流形学习特征提取乘性更新规则

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于二次规划乘性更新法则的支持向量机实现新算法

基于二次规划乘性更新法则的支持向量机实现新算法

引用

作者：周烨广东工业大学

学位级别：硕士

支持向量机是机器学习研究中的一个重要的分支,自从这一模型被提出以来取得了飞速的发展。乘性更新法则是其中一种作用于该模型目标函数的创新迭代工具,得到了广大研究者的关注。支持向量机的主要实现技术框架是序列最小优化(Sequential... 详细信息

支持向量机是机器学习研究中的一个重要的分支,自从这一模型被提出以来取得了飞速的发展。乘性更新法则是其中一种作用于该模型目标函数的创新迭代工具,得到了广大研究者的关注。支持向量机的主要实现技术框架是序列最小优化(Sequential Minimal Optimization,简称SMO)算法,这种框架运算速度快,但编程复杂。为了便于实现编程,Sha Fei提出了基于乘性更新法则的非负二次规划算法。这种算法的优点有:(1)运算简单,易于编程。二次规划的所有变量可以并行运算。不同于SMO算法每次只能同时对两个变量进行迭代。(2)对硬件要低。支持向量机目标函数的求解可以等价为带有约束条件的二次规划的优化。Sha Fei算法提供了一种直接优化的乘性更新法则,即不需要固定的工作子集,也不需要对每一步的学习率仔细检查,使得所有的支持向量可以并行迭代。该算法进一步在等式约束的非负二次规划中直接求解出等式约束系数的迭代公式,从而推导出乘性更新法则并将其运用于支持向量机中。大量实验表明,其运算速度比SMO慢。本文针对Sha Fei框架运算速度慢这一缺点,开展了以下工作,提出了一种新算法:(1)在求解非负二次规划问题中,本文在Sha Fei框架的基础上重新构造辅助函数,提出一种新的乘性更新法则。该更新法则的数学表达式中无根号运算,相比于Sha Fei框架算法,更易于编程实现。该法则的理论基础是把半正定矩阵分解为两个矩阵,分别包含半正定矩阵的正负元素。对正元素部分构造辅助函数,其构造方法类似于Sha Fei框架中该矩阵辅助函数的构造。不同的是,负元素部分的辅助函数构造不再利用对数函数来构造而是直接利用一个简单的线性函数来构造,从而推导出新的乘性更新法则。(2)支持向量机的对偶变换中,利用牛顿法对等式约束系数进行求解。通过实验证明,该求解方法相比与Sha Fei框架中等式约束系数的求解,可以大幅度提高优化速度。在支持向量机的运用中,新算法在保证准确率大体一致的前提下,其总体运算时间比Sha Fei的基于乘性更新法则的二次规划算法减少一半左右。理论和实验证明,该算法大幅度优化支持向量机的目标函数,总体上缩短了支持向量机的运算时间。

关键词：支持向量机非负二次规划乘性更新规则等式约束牛顿法

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于NMF的盲源分离算法研究

基于NMF的盲源分离算法研究

引用

作者：刘中健杭州电子科技大学

学位级别：硕士

盲源分离(Blind Source Separation, BSS)是指在源信号和传输通道参数均未知的情况下,仅仅利用极少的先验信息,从观测到的混合信号中分离出源信号的方法。盲源分离在现实生活中应用非常广泛,例如无线通信、图像处理、语音识别和医学信... 详细信息

盲源分离(Blind Source Separation, BSS)是指在源信号和传输通道参数均未知的情况下,仅仅利用极少的先验信息,从观测到的混合信号中分离出源信号的方法。盲源分离在现实生活中应用非常广泛,例如无线通信、图像处理、语音识别和医学信号处理等众多领域,因此盲源分离技术引起了国内外学者的广泛关注和深入研究,成为信号处理领域研究的一大热点。解决盲源分离问题的方法主要有基于独立分量分析(Independent Component Analysis,ICA)的盲源分离算法、基于稀疏分量分析(Sparse Component Analysis, SCA)的盲源分离算法、基于非负矩阵分解(Nonnegative Matrix Factorization, NMF)的盲源分离算法等。ICA算法要求源信号间独立;SCA算法要求源信号具有稀疏性;NMF算法主要利用信号的非负性进行盲源分离,对信号的独立性和稀疏性均没有限制,所以该算法近年来引起了人们的广泛关注。本文主要研究基于NMF的盲源分离算法。首先,研究了正交约束或相关约束下基于欧氏距离的NMF盲源分离算法,仿真结果表明,施加正交约束的基于欧氏距离NMF盲源分离算法的分离性能和施加相关性约束的盲源分离算法性能相当,但降低了运算复杂度。其次,研究了基于KL散度的NMF盲源分离算法。本文将正交约束引入基于KL散度的NMF盲源分离算法,得到了正交约束下基于KL散度的NMF盲源分离算法,实验表明该算法对一维信号欠定盲源分离是有效的。同时将KL散度和反馈机制引入盲源分离,提出了基于KL散度的反馈NMF盲源分离算法,仿真结果表明,该算法的分离性能略优于基于欧氏距离的反馈NMF盲源分离算法：另外还将增量非负矩阵分解引入盲源分离提出了基于KL散度的增量NMF盲源分离算法,改善了盲源分离算法的实用性。最后,研究了基于秩一的NMF盲源分离算法。已有的基于NMF盲源分离算法都是采用乘性更新规则,丢失了部分梯度信息,导致分离性能不太理想。本文将秩一分解引入盲源分离,提出基于秩一分解的快速NMF盲源分离算法,该算法利用二次函数的性质求出最优解,不但大大提高了分离性能,而且还降低了运算复杂度。基于最小二乘的NMF算法收敛速度非常快,但是该算法性能不稳定,于是将该算法与秩一分解的NMF算法结合起来,利用秩一NMF算法分离性能好和最小二乘NMF算法收敛速度快等优点,提出了混合NMF盲源分离算法。仿真结果表明,该算法进一步提高了分离性能,并且大大降低了运算复杂度。

关键词：盲源分离非负矩阵分解正交约束 KL散度反馈机制增量乘性更新规则秩一最小二乘

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：