基于半监督的SLLE点云数据降维方法任务书

 2022-02-23 08:02

1. 1. 毕业设计(论文)的内容、要求、设计方案、规划等

针对在点云数据中枝叶识别问题中由于扫描过程中环境的变换不同而造成的识别困难及不稳定问题, 提出了一种基于流形学习的点云特征识别方法。在流形学习非监督的基础上引入了监督信息, 从而保证高维到低维的映射在保留流形某些结构的同时也可进一步分离不同类别的流形。算法首先利用基于监督的局部线性嵌入( SLLE) 对手点云特征进行特征降维, 然后再对降维后的特征进行分类识别。对不同的扫描树木进行了实验, 实验结果表明, 利用SLLE 降维以后的特征能够有效地区分枝干部分, 识别率可达到93.27% ; 由于具有较好的识别率, 能够发现高维空间的低维嵌入流形。

2. 参考文献(不低于12篇)

[1] WU Y M, CH AN K L, WANG L. Face r eco gnitionbased on discriminative manifold learnings [ J] . PatternRecog nition, 2004( 4) : 171-174.[2] 聂祥飞, 郭军. 利用Gabo r 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, 15( 6) :973- 977.

[3] 李粉兰, 唐文彦, 段海峰, 等. 分数次幂多项式核函数在核直接判别式分析中的应用[ J] . 光学精密工程, 2007, 15( 9) : 1410- 1414.

[4] 徐志节, 杨杰, 王猛. 一种新的彩色图像降维方法[ J] . 上海交通大学学报, 2004, 38( 12) : 2063- 2067.

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

以上是毕业论文任务书,课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。