基于单层稀疏自编码和支持向量机的场景分类-控制科学与工程专业论文.docxVIP

重庆大 重庆大学硕士学位论文 英文摘要 PAGE PAGE III Thirdly, researching the parameter optimization algorithm of the SVM classifier. The thesis focuses on studying the parameter optimization algorithm based on PSO. PCA algorithm is applied to extract the main information of the feature vectors and can speed up the process of parameter optimization. The one-versus-one strategy is employed for the multiple scene classification problem Finally, to show the efficiency of the proposed approach, several public data sets are employed. In order to show the proposed method can overcome the color constancy problem, a new data set is constructed. The results reveal that the proposed approach achieves better classification accuracy than the existing state-of-the-art methods. Keywords: Scene Classification; Feature learning; Single-layer SAE; SVM; PSO 重庆大 重庆大学硕士学位论文 1 绪 论 PAGE PAGE IV 目 录 中文摘要 I 英文摘要II 1 绪论1 1.1 场景分类的研究意义 1 1.2 场景分类面临的主要挑战 2 1.3 论文的主要创新点及结构安排 4 2 场景图像分类现有方法、存在问题及解决方案7 2.1 引言7 2.2 现有场景分类方法 7 2.2.1 基于底层特征建模的方法 7 2.2.2 基于语义建模的方法 10 2.3 现有场景分类方法存在问题及解决方案 13 2.4 本章小结15 3 基于单层 SAE 的场景图像特征学习 16 3.1 引言16 3.2 表示学习基本原理 16 3.2.1 表示学习核心思想 16 3.2.2 表示学习基本模型 17 HYPERLINK \l _TOC_250008 3.4 基于单层 SAE 的图像特征学习 18 HYPERLINK \l _TOC_250007 3.4.1 单层 SAE 模型的训练 18 3.4.2 图像卷积特征提取 24 HYPERLINK \l _TOC_250006 3.4.3 构建局部连接的单层 SAE 网络 25 3.4.4 基于池化方法的图像降维表示 26 3.5 本章小结27 HYPERLINK \l _TOC_250005 4 SVM 分类器设计及参数优化 28 4.1 引言28 HYPERLINK \l _TOC_250004 4.2 多分类 SVM 分类器 28 HYPERLINK \l _TOC_250003 4.3 基于 PSO 和 PCA 的 SVM 参数优化 29 HYPERLINK \l _TOC_250002 4.3.1 PSO 和 PCA 算法 29 HYPERLINK \l _TOC_250001 4.3.2 SVM 核函数及其参数优化方法 30 HYPERLINK \l _TOC_250000 4.3.3 基于 PSO 和 PCA 的 SVM 参数优化 31 PAGE PAGE V 4.5 本章小结32 5 实验仿真及分析33 5.1 引言33 5.2 实验结果及分析 34 5.2.1 OT 数据库实验结果及分析 34 5.2.2 LF 数据库实验结果及分析 35 5.2.3 FP 数据库实验结果及分析 37 5.2.4 LS 数据库实验结果及分析 40 5.2.5 HX 数据库实验结果及分析 40 5.3 与现有场景分类方法的比较 42 5.4 本章小结45 6 总结与展望46 6.1 本文主要工作总结 46 6.2 后续工作展望47 致 谢