超圖學習理論研究及其在SAR溢油檢測上的應(yīng)用.pdf

1、基于超圖的半監(jiān)督學習因其既利用了有標記數(shù)據(jù)樣本的信息又利用了無標記數(shù)據(jù)樣本的信息，近年成為一個研究熱點，有很高的研究及應(yīng)用價值，在圖像處理、模式識別、語音識別等領(lǐng)域已經(jīng)得到廣泛的應(yīng)用。然而超圖學習仍然面臨許多復雜的問題，其中有數(shù)據(jù)樣本間多重相關(guān)性問題、訓練數(shù)據(jù)分布不平衡問題和誤標記樣本問題。另外，在基于合成孔徑雷達(Synthetic Aperture Radio，SAR)圖像海面溢油檢測應(yīng)用中，除了存在這些問題外，還存在標記樣本少的問

2、題。本文圍繞這些復雜分類問題，主要在以下幾個方面展開了深入的研究:
　　(1)針對樣本間多重相關(guān)性問題，本文先后提出三種方法考慮樣本間的相關(guān)性。第一種是在構(gòu)建超邊集時，增加給定半徑的超球面內(nèi)樣本構(gòu)成的一類超邊，與采用最近鄰算法選取的鄰域構(gòu)成的一類超邊合成為新的超邊集，然后構(gòu)建超圖學習模型，在多極化SAR圖像數(shù)據(jù)分類學習上獲得了很好的效果;第二種是結(jié)合稀疏表示構(gòu)建一個稀疏超圖，與傳統(tǒng)超圖線性結(jié)合成為一類新的超圖學習模型，應(yīng)用于圖像分

3、類學習中分類性能有較大的提升;第三種是考慮到超圖學習中只有類別屬性相關(guān)的表示，而沒有類屬無關(guān)的表示，利用成對約束理論既表現(xiàn)樣本間的相關(guān)，也能表現(xiàn)類屬無關(guān)，以此進一步強調(diào)標記樣本的相關(guān)性，因而在超圖學習模型中加入成對約束的思想，該方案在標準數(shù)據(jù)集上實驗效果較好。相比于傳統(tǒng)超圖學習，這三種方法都有一定的成效，在學習性能上有不同程度的提升。
　　(2)針對不平衡分類問題，本文通過研究大量的不平衡處理算法，提出代價敏感的超圖學習算法，定義

4、類別重要性因子既表示一類樣本的重要性，也表示錯分該類樣本的代價，還定義加權(quán)精度作為不平衡分類學習的性能評價指標，為多類不平衡分類評價提供了一種非常簡單的評價指標。
　　(3)針對誤標記樣本問題，本文研究了目前檢測誤標記樣本的算法，并提出一種基于超圖學習的誤標記樣本檢測方法。該方法先確定誤標記嫌疑樣本集與核心樣本集，然后計算可疑標記樣本在核心樣本集上的均方殘差確定誤標記樣本與次誤標記樣本集，最后以核心樣本集為訓練集，其他樣本作為未標

5、記樣本集進行超圖學習，進一步提煉誤標記樣本與次誤標記樣本集。對于誤標記樣本，在后續(xù)的操作中拋棄，而對于次誤標記樣本，減少其類屬信念，達到減少對分類學習性能影響的目的，在標準數(shù)據(jù)集上實驗驗證了該方法的有效性，為其他研究誤標記檢測的學者提供了一種新的思路。
　　(4)在基于SAR的海面溢油檢測應(yīng)用中，訓練集同樣存在上述的誤標記與不平衡問題，還存在標記樣本量少的問題，為此本文通過研究目前溢油檢測的方法分別提出了相應(yīng)的解決方案。針對油斑與

6、非油斑數(shù)據(jù)樣本數(shù)量不平衡的問題，本文提出兩種思路，一種是采用基于馬氏距離的代價敏感處理算法，另一種是代價敏感的超圖學習方法，兩種思路都表現(xiàn)出了一定優(yōu)勢，而后者又正好適合訓練樣本量少的分類情況。本文設(shè)計代價敏感的多模型超圖學習算法，解決油斑訓練集不平衡與樣本量少的問題，相比于其他傳統(tǒng)的溢油檢測方法，實驗效果得到明顯提升。
　　本文在超圖學習模型上考慮樣本優(yōu)化問題，分別提出相應(yīng)的解決方案，一定程度上改善了超圖學習的性能，并且應(yīng)用到基于