數(shù)字圖像處理課后參考解答(姚敏著)-資料下載頁
2025-06-18 04:18本頁面
【正文】 一代特征群體P(t+1)的獲取上一代特征群體P(t)經(jīng)過選擇、交叉和變異算子作用后，得到下一代特征群體P(t+1)。與傳統(tǒng)的特征選擇方法相比，基于遺傳算法的特征選擇既能對單一特征逐個地進(jìn)行判別，又能對一個候選的特征子集進(jìn)行優(yōu)劣性能評價，因此，可以保證得到的特征子集是最優(yōu)的。主要步驟：LLE：(1) 尋找輸入數(shù)據(jù)集X={x1,x2,…,xN}中每一個樣本點xi(i=1,2,…,N)的k個近鄰點，即將相對于xi距離最近的k個樣本點作為xi的近鄰點（k為一個預(yù)先給定的固定值）；(2) 由X中每一個樣本點xi的k個近鄰點，計算局部重建權(quán)值矩陣W；(3)由W和X中每一個樣本點 的k個近鄰點計算輸出數(shù)據(jù)集Y={y1,y2,…,yN}，需要定義損失函數(shù)，以使Y中的每一個樣本點在低維空間中保持原有的拓?fù)浣Y(jié)構(gòu)，并且在映射過程中確保損失函數(shù)的值最小。LE：(1) 建立最近鄰圖G，若輸入數(shù)據(jù)集X中的兩個樣本點xi和xj互為k近鄰，則在圖G中對應(yīng)的兩個頂點之間用一條邊相連接；(2) 確定權(quán)值矩陣W，若圖G中兩個頂點xi和xj之間用一條邊相連接，則它們之間的權(quán)值Wi,j=1，否則，Wi,j=0；(3) 若圖G是完全連通的，應(yīng)用 計算特征值與特征向量，令 是根據(jù)按有序排列的特征值對應(yīng)的特征向量，考慮到 時，則剔除，依次用后面m個特征向量作為特征空間中的m維映射，yi=(nvi,1,nvi,2,…, vi,m)T，其中是特征向量的第j個分量。ISOMAP：(1) 建立輸入數(shù)據(jù)集X的鄰接圖G，即首先計算X中兩個樣本點xi和xj之間的歐氏距離（i,j=1,2,…,N。i≠j），然后將圖G中的每一個頂點用與距離它最近的k個樣本點用一條邊相連接，用dO(xi,xl)(l=1,2,…,k)作為相鄰的兩個樣本點之間邊的權(quán)值；(2) 計算X中任意兩個樣本點xi和xj之間的最短路徑，即在圖G中，令頂點xi和xj之間的最短路徑為dG(xi,xj)，則若兩者之間存在一條邊，則dG(xi,xj)的初始值設(shè)為dO(xi,xj)，否則，設(shè)為165。；然后，用min{dG(xi,xj),dG(xi,xl)+dG(xl,xj)}依次替代所有的dG(xi,xj) (i,j=1,2,…,N。i185。j)，圖G中所有頂點之間最短路徑的圖距矩陣為DG={dG(xi,xj)}；（3）將MDS算法應(yīng)用到圖距矩陣DG上，當(dāng)誤差值減少到最小時，得到的m維的特征向量就是高維觀測空間中的輸入數(shù)據(jù)集X在低維特征空間中的輸出數(shù)據(jù)集Y。異同點：LLE算法、LE算法和ISOMAP算法都屬于非線性降維方法，在降維后，仍能在低維空間中呈現(xiàn)出輸入數(shù)據(jù)集中樣本點之間的內(nèi)在拓?fù)浣Y(jié)構(gòu)。LLE算法是一種局部優(yōu)化方法，能夠較好地保持樣本點之間的局部拓?fù)浣Y(jié)構(gòu)的特性，即高維空間中的近鄰點映射到低維流形中也互為近鄰點，但由于它是局部最優(yōu)的，因而發(fā)現(xiàn)的低維流形發(fā)生了一定程度的扭曲。LE算法能夠較好地保持了輸入數(shù)據(jù)集的整體低維流形，在將互為近鄰點的兩個樣本點映射到低維流形中，為了盡可能接近原有數(shù)據(jù)集的拓?fù)浣Y(jié)構(gòu)，反而出現(xiàn)了樣本點聚集的現(xiàn)象。ISOMAP算法是一種全局優(yōu)化方法，能夠完好地保存輸入數(shù)據(jù)集的拓?fù)浣Y(jié)構(gòu)特性，即在高維空間中存在的兩個相距較近的樣本點，映射到低維空間中，它們之間的距離仍較近。 第12章 在訓(xùn)練樣本集中，設(shè)類有N1個樣本，滿足；類有N2個樣本，滿足。為討論方便，將類中N2個增1模式向量都換成，則全體訓(xùn)練樣本集記作 如果和線性可分，必存在權(quán)向量w，使得 線性分類器的學(xué)習(xí)算法實際上就是確定上式中的權(quán)向量w。 最大隸屬原則、最大關(guān)聯(lián)隸屬原則與擇近原則。 若有，使 則認(rèn)為相對隸屬于。 按最大隸屬原則，如果元素的隸屬向量與完全隸屬于的元素的隸屬向量的關(guān)聯(lián)度或加權(quán)關(guān)聯(lián)度最大，則認(rèn)為相對隸屬于。 第13章利用圖像的底層視覺特征，包括顏色、紋理、形狀等，進(jìn)行圖像的相似性匹配，輸出特征相似的圖像作為檢索結(jié)果?！』谡Z義的圖像檢索將圖像內(nèi)容從傳統(tǒng)的僅由視覺特征集合組成延伸至三層結(jié)構(gòu)，即特征層、對象層和場景層，分別對應(yīng)特征語義、對象空間關(guān)系語義和場景語義，完成語義描述，然后利用基于學(xué)習(xí)的方法，人工交互的方法，和利用外部信息源的方法進(jìn)行語義抽取，最后度量語義相似性。定義了一個語義層次模型，采用一種多示例學(xué)習(xí)的方法，實現(xiàn)從底層特征到簡單語義的映射，以及從簡單語義到復(fù)合語義的映射。
電大資料相關(guān)推薦
鄂ICP備17016276號-1