时序、图像特征检测的理论、方法及应用研究

论文摘要

待识对象的特征检测是各种智能系统(如机器人,医疗诊断仪器等)实现智能信息处理的基础。其应用的日益广泛性、任务的复杂性、工作环境的不确定性和特殊性、其自身资源的有限性及特征检测的时效性、决定了其研究任务的挑战性和艰巨性。然而,对特征检测可靠性和安全性日益增加的需求,又不断加大了研究解决这一问题的紧迫性。因此,探索准确高效的特征检测理论、方法和技术已经成为研究的重要内容之一。本文主要探讨如何以基于机器学习及相关途径相结合的方式,利用有限系统资源高效实现实时特征检测的相关理论与技术问题。本文着重针对时序和图像特征检测方面的问题,提出了一些相应的算法。并验证了其有效性。本文的主要创新点包括(1).在研究分析OCSVM及PSO模型特点和综合前人研究成果基础上,提出OCSVM_CPSO组合式异常检测模型,实现了系统的自适应调节,解决了检测系统的在线运行问题,从而为其现实应用扫除了障碍。并将其应用于解决机器人传感器故障检测的实际问题。取得较好效果。(2).针对SAX模型容易丢失边界区信息问题,提出时序数据的DLS模型。它根据时序极值确定划分的上下边界,并根据最大熵确定最佳描述字符集,进而确定最佳划分间隔。从而能有效减少边界区的信息丢失;针对EXT_SAX模型缺陷,提出VSB模型,采用增加分量而非增加符号的途径来降低计算代价。且用实验证实它的有效性。(3).提出时序矢量符号的SFVS模型和相应的确定时序数据最大压缩比的方法,此模型能够比SAX提供更全面的描述信息,这有利于在时序特征检测的应用中实现更精确的分析。通过理论分析和实验证实了它的有效性。(4).针对自调节谱聚类缺陷,提出一种新的ASC(自适应谱聚类)算法。它用全局平均N近邻距离作为比例参数σ,利用本征矢差异来估计最佳聚类分组数k,这可在构造亲和力矩阵时减少计算代价,提高效率,并且更容易实现。在彩色图像检测与分割实际应用中的实验结果证实了其有效性。在此基础上提出改进聚类性能的相关半监督学习算法,且用实验证实了它的有效性。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 课题来源，研究背景及意义
• 1.1.1 课题来源
• 1.1.2 研究意义
• 1.2 特征检测研究现状及进展
• 1.3 特征检测的特点和难点问题
• 1.4 研究的关键问题
• 1.5 论文的创新点
• 1.6 论文章节的安排
• 第二章 时序特征检测系统模型
• 2.1 时序特征检测的任务与挑战
• 2.1.1 时序特征检测的任务
• 2.1.2 时序特征检测面临的挑战
• 2.2 时间序列的模式表示
• 2.3 特征检测系统基本模型
• 2.3.1 基本思路
• 2.3.2 OCSVM模型
• 2.3.3 相空间重构
• 2.3.4 特征检测在线实现算法
• 2.4 实验分析
• 2.5 面临新问题及解决思路
• 2.6 粒子群优化理论及基本PSO算法
• 2.6.1 基本PSO（粒子群优化）算法
• 2.6.2 PSO的改进算法
• 2.6.3 混沌粒子群优化模型
• 2.7 OCSVM-CPSO组合式自适应故障检测模型
• 2.8 实验分析与比较
• 2.9 小结
• 第三章 高效时序特征检测的符号化模型
• 3.1 相关研究背景
• 3.1.1 SAX时序符号化模型
• 3.1.2 当前问题及本节目标
• 3.2 DLS（动态有界符号化）方法
• 3.2.1 概述
• 3.2.2 时序数据的降维
• 3.2.3 最大压缩比的确定
• 3.2.4 时序数据的符号化
• 3.3 DLS符号时序的距离计算
• 3.3.1 实验分析
• 3.4 VSB矢量化符号方法
• 3.4.1 算法描述
• 3.4.2 实验分析
• 3.5 基于统计特征的符号化时序方法
• 3.5.1 SFVS（统计特征矢量符号化）算法
• 3.5.2 SFVS与SAX的比较
• 3.5.3 算法相关的符号距离计算
• 3.5.4 基于统计特征的符号化方法示例
• 3.5.5 实验分析
• 3.5.6 小结
• 第四章 图像特征检测的自适应谱聚类
• 4.1 相关工作及问题的提出
• 4.2 谱图理论
• 4.3 谱图理论的本征问题
• 4.4 自适应谱聚类算法
• 4.5 用于彩图分割的ASC算法
• 4.6 实验分析
• 4.7 小结
• 第五章 改善特征检测性能的半监督式学习
• 5.1 问题的提出
• 5.2 半监督式学习
• 5.2.1 半监督式学习的基本假定
• 5.2.2 半监督学习的主要研究方向
• 5.3 典型的半监督式学习模型
• 5.4 基于支持向量机的渐近式半监督式学习算法
• 5.5 实验分析
• 5.6 交互式半监督聚类
• 5.7 实验分析
• 5.8 小结
• 第六章 结论与展望
• 6.1 本论文工作小结
• 6.2 进一步研究工作
• 参考文献
• 致谢
• 攻读博士期间完成的学术论文与科研工作
• 科研工作