半监督降维及其在超光谱图像分类中的应用研究

论文摘要

半监督降维是近年来半监督学习领域的研究热点之一。当今流行的半监督降维方法可以分成三类:基于类别标号的方法、基于成对约束的方法和基于其他监督信息的方法。其中,成对约束指的是两个样本是否属于同一类别的一种约束关系,由于它比类标号更易获取,因此越来越受到研究者们的重视。另一方面,降维是超光谱图像分类的一个重要的步骤,已经有很多超光谱图像降维方法,这些方法大概可以分成两类,特征提取和特征选择。而现有的方法大多是有监督的,或者无监督的,半监督超光谱图像降维还是一个较新的领域,只有很少的研究工作。因此,本文对基于成对约束的半监督降维方法进行深入研究,并将其应用于超光谱图像分类中。本文的主要创新和研究工作有三点,分别如下:（1）对现有的半监督降维方法进行综述,并在大量的标准数据集上对这些方法的性能进行实验比较,并据此得出一些经验性的启示。（2）提出了一个基于成对约束的半监督超光谱图像降维框架。更进一步,在该降维框架中引入稀疏表示的思想,提出了一个新的半监督特征提取算法SSDRsp。在超光谱图像数据上的实验结果显示了我们提出的方法的有效性。（3）在Constraint Score算法的基础上,提出了基于稀疏结构的半监督特征选择算法Semi-SS。最后,比较了现有的一些方法在超光谱图像数据上的性能。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及其意义
• 1.2 数据降维
• 1.3 半监督学习
• 1.4 基于成对约束的学习
• 1.5 本文的主要工作和内容安排
• 第二章 半监督降维方法分析和实验比较
• 2.1 引言
• 2.2 半监督降维
• 2.2.1 基于类别标号的方法
• A. 半监督概率PCA（S2PPCA）
• B. 分类约束降维（CCDR）
• C. 半监督判别分析（SDA）
• D. 半监督局部Fisher 判别分析（SELF）
• E. 基于流形的半监督局部Fisher 判别分析（SSLFDA）
• 2.2.2 基于成对约束的方法
• A. 约束Fisher 判别分析（cFDA）
• B. 基于约束的半监督特征提取框架（SSDR）
• C. 约束的局部保持投影（cLPP）
• D. 邻域保持半监督降维（NPSSDR）
• 2.3 实验比较
• 2.3.1 实验设置
• 2.3.2 实验结果分析
• A.UCI 标准数据集上的实验比较
• B.半监督学习数据集上的实验比较
• C.人脸标准数据集上的实验比较
• 2.4 本章小结
• 第三章 半监督超光谱图像特征提取算法
• 3.1 引言
• 3.2 稀疏表示
• 3.2.1 稀疏表示的求解
• 3.2.2 稀疏重构
• 3.3 半监督特征提取算法
• 3.3.1 半监督特征提取框架
• 3.3.2 全局方差保持的半监督特征提取算法（SSDRpca）
• 3.3.3 稀疏保持的半监督特征提取算法（SSDRsp）
• 3.4 实验结果与分析
• 3.4.1 实验设置
• 3.4.2 超光谱图像分类性能分析
• 3.5 本章小结
• 第四章 半监督超光谱图像特征选择算法
• 4.1 引言
• 4.2 监督和无监督特征选择的典型方法
• 4.3 半监督特征选择算法
• 4.3.1 基于方差的半监督特征选择算法（Semi-VS）
• 4.3.2 基于局部结构的半监督特征选择算法（Semi-LS）
• 4.3.3 基于稀疏结构特征选择算法
• 4.4 实验结果与分析
• 4.4.1 实验设置
• 4.4.2 超光谱图像分类性能分析
• 4.5 本章小结
• 第五章 总结与展望
• 5.1 已有工作总结
• 5.2 未来工作展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的学术论文