特征选择方法研究及其在图像分类中的应用
特征选择方法作为降低数据维度的方法之一，广泛的应用于模式识别和机器学习中。特征选择方法因其能够帮助人们找到特征和数据之间的关联性。因此，研究人员将特征选择方法应用在很多场景中，如文本识别、图像处理、图像分类等场景。对于特征选择问题，如何设计有效的选择准则并构造相应的约束形式是影响特征选择模型性能的主要因素。此外，由于传输、存储等过程引入的数据噪声，也使得现有特征选择方法在性能保持和应用局限性等面临着更多的挑战。为了解决上述问题，针对图像分类应用，本文旨在提出能够选择出更具判别性的特征方法。通过采取不同的方式学习投影矩阵，选择出对图像分类更具判别性的特征。本文主要提出两种更具判别性的特征选择方法并将多种特征选择算法集成为特征选择算法验证演示软件。主要研究内容如下： 一、提出一种基于非负子空间表示的局部自适应的特征选择方法，用于从数据中选择出更具有判别性的特征。该方法采用非负自表示系数作为两个样本在投影子空间的权重系数，更好的探究了样本的局部结构；同时采取迭代更新的方式构造相似矩阵，打破了传统相似矩阵构造方式的局限性，更加准确的表示了样本间的相似性。为了验证非负子空间表示的局部自适应特征选择方法的有效性，实验选择了五种具有代表性的特征选择算法作为对比方法。同时，为了验证方法在多种类型数据上的有效性，实验中，选择了三个数据集。实验结果表明，该特征选择方法同对比方法相比具有更优的性能。最后，分析方法中参数的变化对方法分类准确率的影响。 二、提出一种基于低秩表示的鲁棒性特征选择方法。该方法首先对最小二乘法进行了拓展，拓展方式为对最小二乘法中的回归系数进行缩放，从而实现了所有特征判别性高低的排序。同时，对特征投影矩阵施加了l2,1范数约束，这样能够帮助得到稀疏解从而去除掉更多的冗余特征，提升了特征选择算法的性能。此外，为了增强模型的鲁棒性，还在模型中引入了低秩表示，低秩表示能够有效的去除噪声对模型的影响。为了验证模型的有效性，选择了不同的特征选择算法作为对比方法，进行对比试验。进一步的，为了验证模型在含噪数据集中依旧有效，在数据集中加入噪声并进行实验。最后，对模型中的参数进行了分析，实验结果表明，基于低秩表示的鲁棒性特征选择方法，具有一定的稳定性。 三、将多个特征选择算法集成到特征选择算法验证演示软件上，便于对比各个特征选择算法的性能差异，更加直观的了解各个特征选择算法分类准确率。
图像分类;特征选择;局部自适应;最小二乘法
哈尔滨理工大学
硕士
软件工程
李骜
2022
中文
TP391.41
2022-09-21（万方平台首次上网日期，不代表论文的发表时间）