导读:本文包含了小样本问题论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:样本,线性,特征,成分,特征值,模型,数列。
小样本问题论文文献综述
张妍妍[1]（2017）在《面向小样本问题的极化SAR地物分类》一文中研究指出极化SAR地物分类问题作为极化SAR图像解译的重要研究内容和关键技术,在民用和军事领域具有重大的理论意义和应用价值。在目前的极化SAR分类方法中,有监督方法通常比无监督方法取得的分类效果更好,但是利用有监督方法获得更好的分类效果是需要大量训练样本的,而对于极化SAR来说获得标记样本通常代价昂贵。因此,利用尽量少的标记样本来获得高分类精度在极化SAR地物分类中有着非常重要的意义。同时,随着深度学习理论的发展,目前已经有一些基于深度学习的极化SAR分类方法被提出,并且获得了不错的效果,但是与传统机器学习方法相比,该类方法需要更多的样本数量。针对这一问题,本文从极化SAR数据的小样本的实际出发,结合深度学习理论,开展了如下几点工作:一、基于颜色特征的深度信念网络极化SAR图像分类。利用深度网络模型深度置信网络的深层特征提取能力,在输入中加入极化SAR数据对应伪彩色特征,具体基于Pauli分解,在此基础上利用HSV描述图像区域的颜色分布,并引入颜色结构描述符进一步考虑图像区域中颜色的关系。上述颜色特征和深度置信网络的结合,能够获得表示地物的更好特征,从而有效提升分类效果。实验表明,与只使用极化特征相比,该方法有效提升了小样本(1%)条件下的分类性能。二、基于迁移策略的极化SAR地物分类。极化SAR技术发展已久,数据量很多,但公开的很少。如果能对已有的极化SAR数据“再利用”,那么对于新的难标记的极化SAR数据分类是很有帮助的。而迁移学习的根本就是将某个领域或任务上学习到的知识或模式应用到不同但相关的领域或问题中。将迁移学习中参数迁移的策略引入深度置信网络中,分析了参数迁移对分类性能提升的影响,实验结果验证了迁移策略对深度学习样本量不足时确有帮助。叁、基于分类受限玻尔兹曼的极化SAR地物分类。受限玻尔兹曼机是一个概率模型,只能产生预处理过程或者作为一些其他模型的初始化,而不是独立地作为一个完整的监督学习的模型。在本文中,我们探讨如何基于受限玻尔兹曼机提供独立的分类框架,主要通过引入受限玻尔兹曼机的变体——分类受限玻尔兹曼机来适应分类问题。实验表明适当地结合判别和生成训练可以获得更好的分类性能。(本文来源于《西安电子科技大学》期刊2017-04-01）
高梁,廖志武,刘晓云,陈武凡[2]（2011）在《适用于小样本问题的有监督边界检测方法》一文中研究指出针对自然图像纹理复杂的特点,提出了一种多种信息融合的有监督边界检测方法。首先,该方法在小样本的情况下,通过快速生成纹理基元特征来引入纹理信息;然后,根据图像中每个像素邻域内的灰度分布和纹理基元分布的差异来计算灰度梯度和纹理梯度,并在此基础上构造出二维的梯度特征向量;接着,用有监督的分类器进行分类,自适应地检测出初始的边缘点;最后,设计一个边界定位函数确定最终的边缘点,实现边界检测。实验结果表明,该算法运算速度较快,所检测的边界效果好。(本文来源于《计算机应用》期刊2011年10期）
刘晓龙,张元标[3]（2011）在《利用图像处理技术解决人脸识别中小样本问题》一文中研究指出通过应用PCA及2DPCA算法进行人脸识别,得到了在取不同特征值门限情况下的特征提取维数和识别率,给出了以上两种算法最优特征提取向量的维数和最大特征值门限,并在此基础上应用双线性差值图像旋转处理技术,增加了同一个人较少训练样本情况下的训练样本数量,提高了识别率,从一定程度上解决了小样本问题。如果能从小样本图像中生成出一些新的预测信息,例如,增加同一个训练样本的不同的表情,或改变样本表情的深度,实验的效果可能更加明显。(本文来源于《计算机工程与应用》期刊2011年27期）
张先荣,范丽亚[4]（2011）在《小样本问题的算法比较》一文中研究指出将不相关线性判别分析(ULDA)和零空间线性判别分析(NLDA)两种思想结合起来,提出了处理小样本问题的六种算法,并通过实验说明了这六种算法的分类有效性.(本文来源于《聊城大学学报(自然科学版)》期刊2011年02期）
林玉娥,顾国昌,刘海波,沈晶,赵靖[5]（2010）在《适用于小样本问题的具有类内保持的正交特征提取算法》一文中研究指出在人脸识别中,具有正交性的特征提取算法是一类有效的特征提取算法,但受到小样本问题的制约.本文在正交判别保局投影的基础上,提出了一种适用于小样本问题的具有类内保持的正交特征提取算法.算法根据同类样本之间的空间结构信息,重新定义了类内散度矩阵与类间散度矩阵,进而给出了一个新的目标函数.然而新的目标函数对于人脸识别问题,同样存在着小样本问题.为此本文将原始数据空间降到一个低维的子空间,从而避免了总体散度矩阵奇异,并在理论上证明了在该子空间中求解判别矢量集,等价于在原空间中求解判别矢量集.人脸库上的实验结果表明本文算法的有效性.(本文来源于《自动化学报》期刊2010年05期）
贡金鑫,李荣庆,王利欢[6]（2010）在《小样本问题的概率分析与工程应用》一文中研究指出统计分析是工程中数据处理的基本手段,也是可靠度分析的基础.由于条件和试验费用的限制,有时只能获得容量极小的样本,如工程中荷载试验桩的数量一般不多于4根.在这种情况下,采用的数据统计分析方法至关重要.研究表明,线性最小偏差方法对于极小样本的统计分析具有良好的适用性.针对线性最小偏差参数估计方法,给出了相关统计量的概率密度函数,以此为基础可分析所估计参数的概率特性.以工程中按试桩确定桩极限承载力的标准值为例讨论了所得公式的应用性,证明可用于工程中小样本数据的分析和处理.(本文来源于《大连理工大学学报》期刊2010年01期）
黄睿,何明一,杨少军[7]（2007）在《一种适用于小样本问题的基于边界的特征提取算法》一文中研究指出特征提取技术是模式识别领域进行数据降维和强化判别信息的有效方法．线性判别分析是监督特征提取方法的典型代表,获得广泛应用,但受到小样本问题的制约．对此提出一种适用于小样本问题的基于边界的特征提取算法．算法利用高维数据小样本情况下线性可分概率增加以及其低维投影趋于正态分布的特点,定义了新的类别边界,不但考虑了由线性判别分析提出的类内、类间离散度,也兼顾各类别的方差差异性．通过极大化该边界获得最优投影向量,同时避免因类内离散度矩阵奇异导致的小样本问题．进一步将算法推广到多类问题．高光谱数据特征提取与分类实验表明,算法在小样本情况下对于两类和多类问题均具有良好的推广性能,优于多种线性判别分析的改进算法,并且在样本较多时也取得了满意结果．(本文来源于《计算机学报》期刊2007年07期）
聂祥飞,郭军[8]（2007）在《利用Gabor小波变换解决人脸识别中的小样本问题》一文中研究指出提出了一种在人脸识别中解决小样本问题的新算法。通过把人脸图像经过Gabor小波变换后得到的每个图像都看成是独立的样本,大大增加了每一类人脸样本的样本数,解决了人脸识别中的小样本问题。专门针对人脸特征向量组,设计了使用白化变换后余弦距离测度的最近邻分类器来进行分类判决。在FERET人脸库中,对该方法与直接PCA方法进行了实验比较,结果表明,新方法的平均正确识别率可以达到97%,比直接PCA方法具有更好的识别性能。(本文来源于《光学精密工程》期刊2007年06期）
刘永俊[9]（2007）在《小样本问题下人脸图像的鉴别特征抽取方法研究》一文中研究指出人脸识别技术是计算机模式识别领域非常活跃的研究课题,在法律、商业、公安系统等领域有着广泛的应用前景。由于人脸图像的特殊性与复杂性,人脸识别问题也是模式识别领域的一个相当困难的问题,要使这一研究成为完全成熟的技术应用到日常生活中,还有许多工作需要去做。由于特征抽取是模式识别中最基本的问题之一,因此能否抽取人脸图像有效的鉴别特征也成为人脸识别技术的关键问题。本文针对目前人脸识别中存在的困难,就目前主流的几种代数特征抽取方法进行了较为深入地研究和改进。所提出的算法经过在多个通用人脸数据库中的实验,得到了较好的验证。本文主要工作包括:针对传统的Fisher线性鉴别分析(LDA)在人脸等高维图像识别应用中不可避免地遇到小样本问题,本文提出一种基于散度差准则的鉴别分析方法(MSLDA)。与LDA方法不同的是,该方法利用样本模式的类间散度与类内散度之差而不是它们的比作为鉴别准则,这样,从根本上避免了类内散布矩阵奇异带来的困难。在ORL和AR标准人脸库的实验结果验证了该算法的有效性。本文提出了一种新的基于差空间的最大散度差鉴别分析方法。该方法首先通过构造人脸图像的差空间,部分地消除了由于光照条件不同而引起的人脸图像的不稳定性,然后采用最大散度差鉴别准则函数进行最优鉴别特征的抽取,这样从根本上避免了传统的Fisher线性鉴别分析中通常存在的“小样本问题”。最后,在ORL标准人脸库和yale人脸库上的实验结果验证了该算法的有效性。针对传统的Fisher线性鉴别分析在人脸这样的多类高维小样本模式的分类中存在的“小样本问题”和“次优性问题”,本文提出了一种基于修正的最大散度差鉴别准则的线性鉴别分析方法。该方法对最大散度差鉴别准则中散布矩阵的构造加以修正,采用新的修正的最大散度差鉴别准则函数。该方法从理论上为有效地解决传统的Fisher线性鉴别分析在人脸识别中存在的这两大难题提供了有效的途径。最后,在ORL、AR标准人脸库上的实验结果验证了该算法的有效性。本文提出了一种二维最大散度差图像投影鉴别分析方法。该方法不仅从根本上避免了传统的Fisher线性鉴别分析所遇到的小样本问题,而且该方法是直接基于图像矩阵的,与以往的基于图像向量的鉴别方法相比,它的突出优点是大大的提高了特征抽取的速度。然后,本文从二维最大散度差线性鉴别分析的本质入手分析了它与传统的最大散度差线性鉴别分析的等价性,进而提出了一种改进的二维最大散度差线性鉴别分析方法。该方法通过对图像矩阵的重新构造,使其抽取的鉴别特征从理论上更加有利于分类识别。最后在ORL、AR标准人脸库上的实验结果验证了该算法的有效性。本文通过引入着名的“核技巧”,将二维最大散度差线性鉴别分析扩展到非线性空间,提出了一种新的二维核最大散度差鉴别分析方法。该方法不仅抽取了图像中更加有效的非线性鉴别特征,使正确识别率显着提高,而且为二维非线性鉴别分析提供了一个统一的构架。最后在AR标准人脸库中的实验结果验证了该算法的有效性。通过对传统的基于向量的典型相关分析方法进行分析改进,提出了一种新的直接基于特征矩阵的二维典型相关分析方法,并将其应用于人脸识别的特征融合过程中。较基于向量的典型相关分析,该方法的优点主要有两点:第一,该方法计算过程中构造的协方差矩阵维数大幅度减小,这在一定程度上避免了人脸识别中存在的“高维小样本问题”。第二,由于协方差矩阵维数的缩减,使特征抽取的速度明显提高。最后在ORL标准人脸库和AR大型人脸数据库上的实验结果有效的验证了这两点。(本文来源于《扬州大学》期刊2007-04-01）
赵燕娜,张群,马玉兰[10]（2007）在《灰色——BP网络组合预测模型在小样本问题中的应用》一文中研究指出一、灰色——BP网络组合预测模型的建立(一)灰预测模型应用设计灰预测模型原理主要是对原始数列进行处理,一般进行一次累加处理,其目的主要是为了弱化原始数据的波动性,可以证明经过累加处理后所生成的序列能够表现出明显的指数规律,这时可以用一条适当的曲线对其规律进行拟合,以便进一步预测生成序列的后续值,最后再累减还原即得到原序列的预测值。其预测过程如下:(本文来源于《统计与决策》期刊2007年03期）
小样本问题论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对自然图像纹理复杂的特点,提出了一种多种信息融合的有监督边界检测方法。首先,该方法在小样本的情况下,通过快速生成纹理基元特征来引入纹理信息;然后,根据图像中每个像素邻域内的灰度分布和纹理基元分布的差异来计算灰度梯度和纹理梯度,并在此基础上构造出二维的梯度特征向量;接着,用有监督的分类器进行分类,自适应地检测出初始的边缘点;最后,设计一个边界定位函数确定最终的边缘点,实现边界检测。实验结果表明,该算法运算速度较快,所检测的边界效果好。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
小样本问题论文参考文献
[1].张妍妍.面向小样本问题的极化SAR地物分类[D].西安电子科技大学.2017
[2].高梁,廖志武,刘晓云,陈武凡.适用于小样本问题的有监督边界检测方法[J].计算机应用.2011
[3].刘晓龙,张元标.利用图像处理技术解决人脸识别中小样本问题[J].计算机工程与应用.2011
[4].张先荣,范丽亚.小样本问题的算法比较[J].聊城大学学报(自然科学版).2011
[5].林玉娥,顾国昌,刘海波,沈晶,赵靖.适用于小样本问题的具有类内保持的正交特征提取算法[J].自动化学报.2010
[6].贡金鑫,李荣庆,王利欢.小样本问题的概率分析与工程应用[J].大连理工大学学报.2010
[7].黄睿,何明一,杨少军.一种适用于小样本问题的基于边界的特征提取算法[J].计算机学报.2007
[8].聂祥飞,郭军.利用Gabor小波变换解决人脸识别中的小样本问题[J].光学精密工程.2007
[9].刘永俊.小样本问题下人脸图像的鉴别特征抽取方法研究[D].扬州大学.2007
[10].赵燕娜,张群,马玉兰.灰色——BP网络组合预测模型在小样本问题中的应用[J].统计与决策.2007
论文知识图
