排序方式: 共有9条查询结果,搜索用时 0 毫秒
1
1.
2.
目的 度量学习是机器学习与图像处理中依赖于任务的基础研究问题。由于实际应用背景复杂,在大量不可避免的噪声环境下,度量学习方法的性能受到一定影响。为了降低噪声影响,现有方法常用L1距离取代L2距离,这种方式可以同时减小相似样本和不相似样本的损失尺度,却忽略了噪声对类内和类间样本的不同影响。为此,本文提出了一种非贪婪的鲁棒性度量学习算法——基于L2/L1损失的边缘费歇尔分析(marginal Fisher analysis based on L2/L1 loss,MFA-L2/L1),采用更具判别性的损失,可提升噪声环境下的识别性能。方法 在边缘费歇尔分析(marginal Fisher analysis,MFA)方法的基础上,所提模型采用L2距离刻画相似样本损失、L1距离刻画不相似样本损失,同时加大对两类样本的惩罚程度以提升方法的判别性。首先,针对模型非凸带来的求解困难,将目标函数转为迭代两个凸函数之差便于求解;然后,受DCA(difference of convex functions algorithm)思想启发,推导出非贪婪的迭代求解算法,求得最终度量矩阵;最后,算法的理论证明保证了迭代算法的收敛性。结果 在5个UCI(University of California Irrine)数据集和7个人脸数据集上进行对比实验:1)在不同程度噪声的5个UCI数据集上,MFA-L2/L1算法最优,且具有较好的抗噪性,尤其在30%噪声程度的Seeds和Wine数据集上,与次优方法LDA-NgL1(non-greedy L1-norm linear discriminant analysis))相比,MFA-L2/L1的准确率高出9%;2)在不同维度的AR和FEI人脸数据集上的实验,验证了模型采用L1损失、采用L2损失提升了模型的判别性;3)在Senthil、Yale、ORL、Caltech和UMIST人脸数据集的仿真实验中,MFA-L2/L1算法呈现出较强鲁棒性,性能排名第1。结论 本文提出了一种基于L2/L1损失的鲁棒性度量学习模型,并推导了一种便捷有效的非贪婪式求解算法,进行了算法收敛性的理论分析。在不同数据集的不同噪声情况下的实验结果表明,所提算法具有较好的识别率和鲁棒性。 相似文献
3.
阶段磨选磨矿粒度划分的理论分析与计算 总被引:1,自引:0,他引:1
从磨矿动力学出发, 提出了阶段磨选时磨矿粒度的划分方法, 将阶段磨矿的能耗问题转换成当量磨矿时间最小的数学问题, 通过分析磨矿时间与粗精矿产率的相互关系, 用数学方法回归磨矿动力学方程和粗精矿产率与磨矿粒度的数学关系, 提出了与磨矿能耗一致的当量磨矿时间概念, 以最小的总能耗划分磨矿粒度。借助于EXCEL可以实现两段、三段磨矿合理的磨矿粒度划分。以某一铁矿的阶段磨选为例, 对合理的两段、三段磨矿进行了计算, 得到了总能耗最小的磨矿粒度划分。 相似文献
4.
微细粒低品位碳酸锰矿强磁选工艺研究 总被引:1,自引:0,他引:1
对某地微细粒低品位碳酸锰矿进行强磁选工艺试验,经强磁粗选,可获得品位和回收率分别为22 .64 %和51 .76 %的锰精矿,经疏水絮凝处理可将磁选精矿品位和回收率分别提高到23 .06 %和54 .89 %;经强化疏水絮凝处理,可获得品位和回收率分别为18 .80 %和10 .69 %的扫选精矿. 相似文献
5.
文章从目前中职学校电子技能实训课程在教学上普遍存在的问题出发,探讨电子实训技能课程改革的有效方法与途径. 相似文献
6.
7.
针对有噪条件下新类检测性能较差的问题,提出一种基于核零空间判别局部保持投影算法(KNDLPP).首先通过核函数将样本隐式映射到高维特征空间,在核空间中利用距离加权机制对样本进行权重赋值,在保持局部结构的同时降低离群噪声样本的影响;然后利用样本类内零空间使同类样本坍塌为一点,实现对已知类分布的有效约简;最后基于零空间再求得使类间距最大化的变换矩阵,以上步骤得到一个判别性变换矩阵以刻画样本的分布信息、描述样本之间的相似性.该算法能刻画样本潜在结构,提升已知类与新未知类之间的判别性.在11个公开数据集上的实验结果表明,该算法是有效和鲁棒的,具有较好的新类检测性能.在局部保持性实验中,KNDLPP在4个UCI数据集上的整体平均AUC值为90.656%;在复杂结构保持性实验中,KNDLPP在Banana,Moon及3个UCI数据集上的整体平均AUC值为91.949%;在2个无噪高维数据集的新类检测实验中,KNDLPP平均AUC值为86.214%,高于次优算法4个百分点;在4个UCI数据集的4种有噪条件下,KNDLPP性能排名第1. 相似文献
8.
9.
1