文摘

降维的图像高维非线性结构是提高识别率的关键。虽然一些传统算法取得了一些结果在降维的过程中,也暴露出各自的缺陷。为了达到理想效果的高维非线性图像识别,基于传统的降维算法的分析和提炼其优势,图像识别技术的基础上,提出了非线性降维方法。作为一种有效的非线性特征提取方法,非线性降维方法可以找到数据的非线性结构和维护数据的内在结构。应用图像识别的非线性降维方法是把输入图像划分成块,把它作为一个数据集在高维空间中,减少它的维度结构,获得eigenstructure这样的低维表达载体图像识别的问题可以在一个较低的维度。因此,可以减少计算复杂度,可以提高识别精度,方便进一步的处理,如图像识别和搜索。解决了传统算法的缺陷,大宗商品价格进行识别和模拟实验,验证图像识别的可行性技术基于商品价格的非线性降维方法的认可。

1。介绍

为了解决维数灾难问题,有效处理高维数据,数据降维技术出现。在处理高维数据时,人们自然会考虑将这些数据转换成低维子空间的可能性不丢失重要的一些特性的原始变量的信息(1]。数据降维技术是一个过程的数据从高维空间映射到低维空间,最好可以保持数据的结构和密实度,获得高维数据的低维表示。高维数据通常包含冗余信息和噪声,所以我们不能准确地得到我们想要的信息在处理数据时,这通常是被高维数据中的冗余信息(2]。通过数据降维技术,我们可以有效地去除混合信息的高维数据,这样我们可以获得我们需要的有用的信息提取,以有效地解决维数灾难问题。

降维算法有以下两种分类方法,它分为特征选择和特征提取根据不同功能;根据数据之间的关系,它可以分为线性降维和非线性降维3]。在前分类方法,特征选择是选择一些重要的属性数据属性来表示原始数据并确保数据不会丢失,尽可能保留信息的最大数量;特征选择有很多应用(4]。在模式识别中,它可以用来消除混合信息,以减少计算复杂度,节省时间成本,提高效率;特征提取是使用新特性来表示原始功能特征选择后,也就是说,将原始数据通过转换的特性5]。最后,它将求解特征值和特征向量的问题。根据不同的处理方法,特征提取分为全局降维及地方降维(6]。全球数据的降维是考虑全球信息和治疗所有数据作为一个整体;当地降维是专注于信息处理的数据,和目的往往是有效地提取本地信息(7]。

传统的降维方法包括冗余信息和噪声。在处理数据时,他们不能准确地获取所需的信息和由冗余信息干扰。为了更好地完成图像识别,降维的高维图像是图像识别前的关键技术环节。因为图像降维后的计算复杂度明显减少了,存储空间已经大大节省。尽管线性降维方法可以降低高维数据的维度通过寻找线性变换矩阵的性能目标,高维的脸的图像会有明显的非线性流形特征由于因素如光照、表情和姿态。然而,数据降维后,非线性特性的原始数据将丢失,导致数据失真特征提取后,降低了图像的识别率。本文提出了一种基于非线性降维方法的图像识别技术,这降低了计算复杂度,提高了识别精度,便于进一步处理,如图像识别和搜索。解决了传统算法的缺陷,大宗商品价格进行识别和模拟实验,验证图像识别的可行性技术基于商品价格的非线性降维方法的认可。

本文的章节安排如下。部分1总结了本文的研究背景和意义。部分2介绍了相关的工作。部分3分析了基于非线性降维算法的图像识别技术,并讨论了图像识别技术的实现方式基于非线性降维算法对大宗商品价格的认可。部分4进行了实验分析,部分5总结了全文。

2。相关工作

目前,大多数处理矢量数据的降维算法,和一些处理高阶张量数据降维算法。减少维度数据表示的原因是使用的是原始的高维空间包含冗余信息和噪声信息,导致错误和降低了精度在实际应用程序中,如图像识别(8];通过降维,我们希望减少冗余信息造成的误差,提高识别的准确性。

这项技术已被许多学者不断研究在过去几十年里,和许多古典提出了降维算法。其中,传统的降维算法,包括线性判别分析(LDA)和主成分分析(PCA)。PCA算法是最常用的线性降维方法。它的目的是将高维数据映射到低维空间通过某种线性投影和期望的最大方差数据的投影尺寸,使用更少的数据维度和留住更多的原始数据点的特点(9]。然而,PCA属于无监督降维算法和不考虑样本的类别信息,费雪提出LDA算法。LDA最经典的监督降维算法。算法减少了组内散度矩阵和最大化组内的散度矩阵,然后将特征值分解成一个映射矩阵根据费舍尔准则,然后使用这个映射矩阵分解高维空间;数据投影到低维空间,减少样本的维数,但传统LDA算法有一个缺陷,即小样本问题;训练样本的数量需要比样品尺寸大得多,因此,组内散度矩阵并不是一个不可逆转的矩阵计算。为了克服这个问题,研究人员提出了许多相应的改善方法(10]。一些学者提出了二维线性判别分析,它使用图像矩阵构造同类散度矩阵和组内的散度矩阵,以解决这个问题。然后,最大间距准则(MMC)提出的组内的散度矩阵之间的差别,组内散度矩阵为准绳,以免解决组内散度矩阵的逆矩阵,从理论上解决这个问题11]。

随着计算机技术的发展,射频识别技术发展迅速。这种技术使用射频信号传输信息。在使用时,它是一种非接触方法(12]。射频技术还可以用于商品识别。这是类似于条形码是印在每个商品的外包装。需要贴上电子标签在外包装上的商品,这是一个类型的标签对应一种商品,和不同种类的商品电子标签必须是不同的。电子标签在商品上安装后,无线信号通信是通过特殊设备进行完整的大宗商品价格鉴定。大宗商品价格鉴定以这种方式不需要手动扫描条形码识别一样,虽然在一定程度上提高了商品的自动化识别。然而,当多个商品一起结算,多个标签同时发送信号,从而不可避免地导致信号之间的干扰,导致不满意的准确性解决多个商品;此外,为了实现商品标识,每个商品都需要附有电子标签,本质上就是一种条形码标签,不管成本标签或标签;签署的劳动成本非常高,和标签不能被回收13]。大部分商品在便利店中几乎没有利润空间,无法忍受使用标签带来的额外成本。因此,商品识别基于这个方法并没有被广泛推广。随着图像采集渠道的增加,难度降低,和计算机硬件设备的发展基于计算机视觉图像识别技术已经大大提高14]。大宗商品价格的认识基于非线性降维方法的图像识别技术已成为一大亮点,逐渐投入使用。

3所示。基于非线性降维方法的图像识别技术

3.1。非线性降维方法

本节简要介绍了改性的拉普拉斯算子eigenmap降维方法,保持高维数据流形的eigenstructure不变。给定数据集 与能力在 - - - - - -维空间,为方便描述,还要注意 和注意的社区点是 , 。

步骤1。为每个点选择一个社区。 在哪里 两个点之间的欧几里得距离吗和 。

步骤2。产生一个矩阵使用选定的社区。

步骤3。计算最小值特征向量 拉普拉斯算子矩阵的对应的嵌入结果在 - - - - - -维空间。为简单起见,本文选择 。为 ,图像分割和记录 。它把原始图像分成块,每个块的大小 ,和两个相邻环之间的时间间隔 。数据集的能力在 - - - - - -维空间。

代表不超过最大整数 ,使用非线性降维方法来降低高维数据的维数,得到低维特征向量表达式 的原始图,并进一步确定问题(15]。学习各类图像的中心点特性表达载体,以它为代表的这类图像的识别过程。首先,获得每个图像和高维数据集 , ,在分割 ,然后减少的维数获取 - - - - - -维特征表达载体 , 。计算每种类型的图像的中心点和记录每个类型的能力 ,如果 代表表达特征向量的集合类图像数据,然后它的中心点满足

很容易看到的最大特征向量矩阵吗 。给定一个图像,分割 ,首先计算它的功能表达载体,然后计算 ,识别,它属于最大的类相似。

3.2。商品价格识别基于图像识别技术的非线性降维算法

基于数据降维算法的缺陷,提出了一种新的非线性降维方法。首先,线性监督LDA算法找到每个样本点的最近邻,然后当地的训练集的嵌入特性计算当地重建获得的低维空间权重矩阵的米歇尔算法(16),最后,根据高维非线性图像的特点,新样本的低维特征计算得到的训练集和它的低维特征。通过这种方式,该算法可以建立一个清晰的新样本点之间的映射和低维特征通过高维空间和低维空间之间的关系17]。非线性降维算法的实现过程如图1。

算法的实现过程如下:(1)的最近的邻居得到每个样本点的线性判别分析(LDA)算法。的过程中发现的最近邻样本点如下:首先,LDA子空间通过减少训练集的维数 。然后,两个点和高维空间中任意选择,这两个点之间的距离定义为相应的LDA特征点之间的欧几里得距离(18]。最后,选择每个样本点的邻近点新定义的欧几里得距离(2)米歇尔算法用来计算当地的重建权重矩阵。当地嵌入低维的特征得到了训练集,和当地的重建权重矩阵计算通过使用米歇尔的第二个和第三个步骤的算法。在这一步中,当地重建的计算权重矩阵仍完成了在原始的高维空间,它不仅能保证非线性高维数据结构也获得训练集的地方嵌入低维特征(3)根据训练集和低维特征在前面的步骤中,获得相对应的低维特征计算新样品。为一个图像明显的高维非线性流动结构等大宗商品价格,因为点之间的关系在当地社区的高维空间和低维空间不变,新样本的低维嵌入特征点可以计算只要新样本点之间的邻里关系和训练集可以获得。图2显示了建模的流程图

4所示。实验结果和分析商品价格鉴定

本文的实验环境配置如下:中央处理器是英特尔酷睿i7, 8 GB的内存,操作系统是Windows 10,实验进行了MATLAB环境下的操作平台。为了更好地利用图像的颜色空间特征来识别图像,上面提到的HSI彩色空间用于提取图像的特征H通道,通道,通道,分别。同时,使用二级分类识别的商品图像结合上面提到的方法。此外,大量的实验进行不同的分类方法,如传统的图像识别技术和图像识别技术基于非线性降维方法,比较各种方法的正确识别率。通过实验结果的分析和比较,图像识别方法具有良好的识别效果决定认识到超市货架上商品价格在实际应用和验证的有效性基于非线性降维方法的图像识别技术。

4.1。模拟非线性数据降维结果

在现实世界中,许多数据集是非线性结构,如图像数据、统计数据和空间数据。为了弥补这一缺陷,许多有效的非线性数据降维方法研究,如等距离映射方法,局部线性嵌入方法,和拉普拉斯算子的特征映射方法,并已成功地应用于图像分析的研究领域,数据挖掘和计算机视觉(19]。非线性降维的数据集的基本思想是基于多维标度分析和努力保持两个点之间的测地距离,也就是说,维护内部数据点的几何属性,以确保欧几里得距离是用来取代测地线距离近点,和方法的测地线距离遥远的点和一个短的路径。算法的主要目的是找到高维空间中的低维流形嵌入使用多维标度分析算法和保持固有的非线性几何数据通过测地距离。

图3(一个)显示了一个包含1000数据点的数据集,数据集获得从一个表面取样后在三维空间中,有一个典型的非线性结构20.]。以邻域参数为10和应用降维处理,如图二维表示3 (b)。结果可以看出,通过PCA降维,重叠的两端表面与内部,无法区分,表明它不能揭示了非线性流形(21]。IsoMax降维结果成功地反映了内部局部分布结构的数据。

4.2。有效性的分析商品价格鉴定

本节将使用图像识别的仿真实验来验证其有效性,记录相关的实验结果,分析和实验结果进行比较,并选择最好的图像识别方法识别影响商品价格的方法识别。为了验证分类和识别方法的有效性,首先,传统的图像识别方法和基于非线性降维方法的图像识别技术是用来识别商品的价格库在不同特征维度。以下是实验结果,如图4。

从结果图中可以看到,基于图像识别技术的识别效果的非线性降维方法超过百分之一高于传统的图像识别技术,最高识别率为87.65%。原因是图像识别技术基于非线性降维方法使用错误编码理论在通信技术和具有一定的纠错能力。因此,基于非线性降维方法的图像识别技术比传统的图像识别技术,及其在一定程度上改进了识别效果。同时,它也可以发现,基于非线性降维方法的图像识别技术改善了图像识别的速度在增加的过程中图像的特征维度从10到30。然而,当超过30维图像特性,图像识别开始下降。当图像识别率30维度,它具有更好的识别结果。传统的图像识别技术的图像识别率也增加然后减少维度。图像特征是25维时,识别率是最好的。同样,传统的图像识别技术、图像识别技术基于非线性降维方法,可以组合和线性判别分析方法,然后结合图像识别新方法可用于识别实验。为了验证该方法的有效性,下图用LDA还列出了图像特征提取。 Then, the experimental results of image recognition using traditional image recognition technology and image recognition technology based on the nonlinear dimensionality reduction method are shown in Figure5。

从上面的图可以看出,当图像识别是通过传统的图像识别技术和图像识别技术基础上的非线性降维方法,图像特征提取的LDA方法有更好的识别效果比利用主成分分析法(PCA)提取,和整体形象识别速率在一定程度上已得到改进,使用传统的图像识别技术图像识别率最高为87.80%,使用图像识别技术和最高的图像识别率基于非线性降维方法是88.85%。相比,使用主成分分析方法提取图像的特征,图像的正确识别率提高了百分之一,和图像识别技术的识别效果基于非线性降维方法仍高于传统的图像识别技术。与此同时,图像识别的准确性随图像的变化特征维度。当特征维度从10个维度增加到25维度,识别率增加维度的增加功能。超过25个维度后,图像的识别率开始逐渐减少。因此,当图像的特征尺寸是25维度,传统的图像识别技术和图像识别技术基于非线性降维方法识别率最高。

4.3。大宗商品价格鉴定的效率分析

从以上两组实验数据,我们可以比较实验结果通过使用不同的分类方法,选择一个更合适的图像识别方法。与此同时,我们可以提高图像识别率通过不同的图像特征提取方法,但图像识别的效率还不够高。为了更准确地确定商品价格的准确性,提高价格识别、图像识别算法的识别效率进一步提高基于原始图像识别方法。识别结果如图6。

从图可以看出,与使用单一分类器相比,使用卷积神经网络的图像识别效果(CNN)作为一个二级分类器得到进一步改善。PCA作为图像特征提取方法,然后二级分类图像识别由卷积神经网络和传统的图像识别技术的最高识别率为88.60%,而二级分类器结合卷积神经网络和纠错SVM分类器的识别率最高为90.55%。同时,图像识别的变化速率的两个图像识别方法特征维数的增加基本上是相同的。从折线图中可以看出,当图像的特征维度从10增加到25维度,图像识别率也有所改善。超过25个维度后,特征尺寸不断增加,图像识别率开始略有下降。因此,当这张照片性能尺寸是25维度,精美的照片可以获得注意力的影响。当然,另外可以使用线性判别评价技术提取HSI空间的彩色照片而不是重要方面评价方法,然后是两个混合二次分类技术可以用于图象识别。二级分类图像识别方法的识别结果如图所示7。

实验结果表明,与PCA特征相比,在LDA特征作为特征向量,用二级分类器识别率更高和更好的识别效果。二级分类器由卷积神经网络和图像识别技术基于非线性降维方法有更好的效果比使用传统的二级分类,图像识别技术和图像识别率提高了1% - -2%。二级分类图像识别方法达到最佳的识别效果,当图像特征尺寸是25维度。为了确定不同的图像分类方法的识别率在不同特征尺寸,如图8,最高的图像识别结果的图像识别方法在不同功能维度列出。

根据实验结果在上面的图中,可以得出以下结论:在四个方法结合不同的特征提取方法和两个二级分类器,二级分类器由卷积神经网络和图像识别技术基于非线性降维方法有更好的识别效果,和两个特性的图像识别率高于其他的二级分类器;另一方面,使用相同的图像识别分类方法,LDA特性的正确识别效率高于PCA特征。因此,利用LDA方法提取HSI颜色空间的特性和使用卷积神经网络组成的二级分类方法和图像识别技术基于非线性降维方法,图像识别的效果是最理想的。

4.4。比较不同的商品价格模型的准确性

考虑到不同种类的商品价格可能受到不同因素的影响,这些影响是否可以消除训练模型时需要进一步验证。因此,本节进行实验从以下两个方面:首先,列车不同模型对不同品种;第二,培训所有品种的一般模型。训练集是根据不同比例随机选择训练三个预测模型,B和C,然后三个训练模型分别测试。图9是一个对比图使用三个特殊模型预测的准确性的训练集的比例是60%,70%,和80%,分别。三种数据融合成一个大数据集训练神经网络模型。图9是一个对比图使用通用模型预测的准确性的训练集的比例是60%,70%,和80%,分别。

从数据可以看出9(一个)和9 (b),模型的预测精度随训练集的比例的增加。在同样的训练集的比例,预测精度的三个品种几乎是相同的,但特殊模型的预测能力明显优于一般的模型。这表明由不同品种不同模型训练的效果更好。实验和分析进行模型用不同的小波。

5。结论

本文提出了一种新的解决问题的办法,大宗商品价格的认可;也就是说,高维数据的非线性降维方法引入图像识别。可以找到高维数据集的eigenstructure非线性降维得到单一图像的特征表达载体,将高维识别问题转换为相对低维特征表达载体的识别问题。与常用的方法相比,这种考虑有以下特点:方便和快速计算和存储容量小。它可以完全我的图像数据的内在信息,省略了大量的冗余信息。每张图片都可以单独处理。它可以极大地提高公共方法的识别效果。因此,这个表达式的图像数据可以广泛用于识别、搜索和其他方面。这种方法可以降低计算的复杂性,提高识别的准确性,便于进一步处理,如图像识别和搜索。解决了传统算法的缺陷,大宗商品价格进行识别和模拟实验,验证图像识别的可行性技术基于商品价格的非线性降维方法的认可。 In order to make the existing image recognition technology mature, economically and practically, in-depth research is carried out from the following aspects: further developing a more comprehensive and systematic database, looking for a more scientific algorithm according to the characteristics of each part of the recognition system, and improving the recognition rate as the focus of future research.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。