基于动态参数函数空间学习最优核映射.docVIP

基于动态参数函数空间学习最优核映射 　　摘 要：核函数方法可挖掘出高精度快速印刷品图像间的非线性分布规律，而挖掘能力由所选择的核函数及其参数来决定。这两者的学习与选择同样是核函数理论继续发展与实际应用需要迫切解决的问题。针对印刷品智能检测这一特定背景，提出了一种新的基于优化问题的从具有动态参数的函数空间中学习核函数及参数的方法，以此来使核函数方法达到最优性能。与传统的计算方法不同之处在于其核函数空间中的核参数是连续变化的，这使学习的范围得到一个维度上的扩展。实验结果显示，结合理论分析的迭代算法仅需要10次迭代便可得到统计最优的核函数及参数，利用学习到的核函数计算的复原误差是统计最小的。 关键词：核方法；优化问题；缺陷检测；核主成分分析；图像复原 中图分类号： TP391；TP18 文献标志码：A 0 引言 当今，超高精度快速印刷行业的智能检测技术正逐步取代人工检测，智能检测所采用的智能算法必须切合实际需求。很难找到普遍适应而且处处最优的智能处理算法，针对超高精度印刷这一应用背景，使智能检测算法达到检测能力最大化的研究具有非常重要的意义。复杂的印刷工序往往使印刷成品带有不同程度的差异，比如机械引起的噪声，纸张的形变，胶、凹印的相对位移等。同时，当采用机器视觉技术对样本进行检测时，光照及图像采集系统在使用过程中会产生一定差异。经统计显示，这些差异呈现出非线性分布的特性，因而采用核函数方法来检测处理比依赖模板匹配来检测更合理。 核函数选择的优劣直接影响到核方法最终的效果，因此，合理选择核函数显得尤为重要。当前，虽然许多选择核函数的方法被提出，但依然不存在一种普遍适用的选择核函数的标准。Bartlett等[1]给出了两类问题中函数的一个泛化误差界，揭示了泛化误差与所选择的核函数、所采用的训练样本集密切相关。从Lanckriet等[2]提出利用半正定规划来学习核矩阵开始，每年不断有新的选择核函数的方法被提出和应用。 Micchelli等[3]提出了通过正则化来学习核函数的方法；Cortes等[4-5]提出了通过线性及非线性组合来学习核函数的方法；Argyriou等[6]采用计算正则化误差最小化的方法，从由连续的参数化的基函数的凸组合中学习最优的核函数；Ong等[7]定义了超再生核Hilbert空间，并用超核来计算核函数；Sonnenburg等[8]则提出了一种解决大尺度的多核学习问题的方法；Zien等[9]给出了通过多核学习来解决多类问题的方法；Rakotomamonjy等[10]设计了一种与组合核函数法等价的多核学习算法；Cortes等[4]采用基于L2正则化学习非线性组合核函数的方法；Shao等[11]提出了一种依赖于训练样本的特殊的核函数形式，并采用最大方差展开法（Maximum Variance Unfolding， MVU）的思路通过优化问题来学习核函数；Cortes等[12]提出通过两个阶段来学习的核方法；Kloft等[13]提出基于Lp范数的多核学习算法。此外，将核对齐值也是当前被成功用于学习核函数的目标之一[12]。 在上述这些文献中，绝大多数是用来解决监督问题，这是因为监督问题的标签使得学习目标比较明确，而且所学习的核函数可直接通过测试集进行检验。而相对对于非监督问题的核函数学习方法显得比较薄弱。采用核方法对图像进行降噪属于非监督问题的一种。高斯函数以其较强的鲁棒性而被大量应用于多核线性及非线性方法中。而在这些学习方法中，目前还没有一个合理的选择高斯函数带宽的标准。本文将带宽动态变化的高斯函数作为基函数，将标准化内积矩阵作为学习目标，通过优化问题的求解得到高斯函数的带宽及组合系数，并将学习的核函数应用于某印刷品的缺陷检测中。 1 核方法 基于核的机器学习方法或称核方法是一类较新的机器学习方法，是统计学习理论与核技术相结合的产物。近几年来，为满足不断提高的技术要求，各种核方法的扩展形式被提出及应用，比如多核学习、学习向量值函数等，从而促使核方法向更多的方向发展。 1.1 学习核函数 利用训练样本集来学习核函数的方法可使核函数体现更多的先验知识，从而在提高计算精度同时，有效地提高核函数的泛化能力。 4 结语 通过数值实验发现，将标准化内积矩阵作为目标来学习核函数的方法符合检测目的，可以较准确地计算出样本上的缺陷，同时也为非监督问题核函数及参数的选择确立了一个学习标准。结合最优解分布的理论分析得到的迭代算法是切实可行的，算法收敛速度比较快。学习到的核函数基本可以达到统计意义上的图像复原误差最小化。本文是利用学习组合系数来得到线性组合核函数的，下一步的研究内容是学习非线性组合核函数。 参考文献： [1]BARTLETT P， SHA