基于多视图鉴别特征学习的分类算法

《基于多视图鉴别特征学习的分类算法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、ChinaUniversityofMining&Technology,Beijing博士学位论文基于多视图鉴别特征学习的分类算法作者：李晋学院：机电与信息工程学院学号：TBP120404019学科专业：计算机应用技术导师：钱旭教授2016年6月中图分类号：TP391密级：公开单位代码：11413博士学位论文中文题目：基于多视图鉴别特征学习的分类算法英文题目：ClassificationAlgorithmbasedonMulti-viewDiscriminantFeatureLearning作者：李晋学号

2、：TBP120404019学科专业：计算机应用技术研究方向：信息融合技术导师：钱旭职称：教授论文提交日期：2016年3月22日论文答辩日期：2016年6月7日学位授予日期：2016年6月22日中国矿业大学（北京）独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得中国矿业大学（北京）或其他教学机构的学位或证书而使用过的材料一。与我同王作的同志对本研巧所

3、做的任何贡献均已在论文中作了明确的说明并表示谢意。作者签名：轉日期：ＷＩ６冬化关于论文使用授权的说明本人完全了解中国矿业大学（北京）有关保留、使用学位论文的规定，目Ｐ；学校有权保留送交论文的复印件，允许论文被查阅或借阅；学校可Ｗ公布论文的全部或部分内容，可化采用影印、缩印或其他复制手段保存论文。（保密的论文在解密后应遵守此规定）＾－＾Ｚ作者签名：ｉ寒导师答名；心日期：２０／Ｌ摘要摘要模式识别、机器学习等交叉学科需要从观察到的数据中发现规律。最近的十几年来，互联网、

4、通信等信息技术得到了革命性的发展，而信息技术的发展促使当今社会所产生的数据量极速增长，其中有很多数据能够以多种不同的形式进行表示。比如，在互联网中，每个Web网页能够表示为其所含文档和指向它的超链接；人脸识别领域中，可以对同一人脸图像样本提取出不同形态的特征形式，如Gabor特征，HOG特征，LBP特征，PCA特征分别用来描述人脸的方向尺度特征，边缘轮廓特征，局部像素灰度变化特征以及整体主要信息特征等。传统的基于单视图的分析算法，仅利用单一视图内的结构特性，没有利用视图间的关联、互补信息，多视图学习方法

5、则尝试在不同的视图之间提取出相互关联、互补的特征，从而可以改善在数据集上的学习或分类效果。因此在最近的十几年以来，多视图特征学习在机器学习、数据挖掘和计算机视觉等领域受到了广泛的关注。本文以研究多视图数据的分类方法为主题，以提取数据中的鉴别特征为重点，从子空间鉴别特征提取、半监督流行学习和鉴别字典学习三个方面入手，做了一些创新工作，其主要内容包括：（1）以典型相关性分析（CorrelationCanonicalAnalysis,CCA）为基础，分别对鉴别典型相关性分析（DiscriminantCorre

6、lationCanonicalAnalysis,DCCA）、多视图鉴别分析（Multi-viewDiscriminantAnalysis，MvDA）、增强组合特征鉴别相关性分析（Combined-Feature-DiscriminabilityEnhancedCanonicalCorrelationAnalysis,CECCA）等算法进行研究分析，提出二重鉴别相关性分析（DualDiscriminantCorrelationAnalysis,DDCA）方法。DDCA算法设计的模型具有两点优势：其一，能够

7、在每个视图内借助于Fisher鉴别分析（FisherDiscriminantAnalysis，FDA）寻找投影向量以保证样本的可分性；其二，能够在视图之间分析样本的鉴别相关性，即寻找投影向量使得样本之间的类内相关性最大，类间相关性最小。DDCA是一种有监督的特征提取方法，相比较于CCA能够有效利用样本的标签信息；此外，传统相关性分析方法由于自身模型的限制，仅适用于两个视图之间，而忽略了视图内部自身的信息，而DDCA在同一视图内部和不同视图之间均能够对数据进行分析，基于以上几点，DDCA有助于改善分类效果

8、。（2）在半监督场景下，提取每个样本的多个视图特征有助于进一步挖掘样本多方面的信息，目前已有学者和研究人员们提出了一些有效的半监督多视图学习方法。尽管现有的半监督多视图特征学习方法已经取得了一定的效果，但是这些方法并不能很好的同时考虑到视图内和视图间的鉴别信息，而且如何有效地提取无标记样本的近邻结构信息，也具有较大的提升空间。本文提出了一种新的半监I中国矿业大学（北京）博士学位论文督多视图特征学习方法，即半监督双重视图特征学习（Semi-s