基于極限學習機的半監(jiān)督分類.pdf

1、監(jiān)督學習是對標記數(shù)據(jù)所包含信息進行學習，得出分類模型后對無標記數(shù)據(jù)進行分類，而無監(jiān)督學習是直接對無標記數(shù)據(jù)信息進行學習。獲取標記數(shù)據(jù)時需要耗費一定的人力和物力資源，則大量標記數(shù)據(jù)的獲取通常比較困難，然而伴隨著信息技術(shù)的飛速發(fā)展，收集大量未標記數(shù)據(jù)則相當容易。若只使用少量標記數(shù)據(jù)，有監(jiān)督學習訓練所得學習模型不具有良好的泛化能力，同時浪費了大量未標記數(shù)據(jù)所包含的信息；若只使用大量未標記數(shù)據(jù)，無監(jiān)督學習則忽略了標記數(shù)據(jù)的價值，造成資源浪費。因

2、此，如何有效地利用少量標記數(shù)據(jù)和大量未標記數(shù)據(jù)共同改善學習性能的半監(jiān)督學習成為當前機器學習研究中的熱點問題之一。半監(jiān)督學習分為半監(jiān)督聚類和半監(jiān)督分類。半監(jiān)督分類是從監(jiān)督學習的角度出發(fā)，在標記訓練樣本不足時利用大量未標記樣本信息輔助分類器的訓練，進而提升算法的學習精度。
　　極限學習機是近年來提出的一種新穎的機器學習算法，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型不同，極限學習機只要求激活函數(shù)無窮階可微，在輸入權(quán)值和隱藏層偏置值隨機設(shè)置的情況下，神經(jīng)網(wǎng)絡(luò)的

3、所有參數(shù)就不必迭代調(diào)整，并且只通過一步計算即可解析求出網(wǎng)絡(luò)的輸出權(quán)值。算法結(jié)構(gòu)簡單計算速率快。算法優(yōu)良的特性使其廣泛應(yīng)用于函數(shù)逼近、模式識別、數(shù)據(jù)分類等領(lǐng)域。但是，當極限學習機應(yīng)用于分類問題時，由標記樣本訓練得出的極限學習機的分類模型分類正確率會隨著標記樣本的減少而降低。
　　當獲取有標記數(shù)據(jù)較為困難，而同時存在大量未標記數(shù)據(jù)時，利用極限學習機算法與半監(jiān)督學習的優(yōu)點，提出了基于極限學習機的半監(jiān)督分類算法，本文所做工作如下：

4、　?。?）提出結(jié)合模糊C均值與極限學習機的半監(jiān)督分類算法。當數(shù)據(jù)集具有較少標記樣本時，訓練得出的極限學習機分類模型的分類正確率較低，這里使用模糊C均值與極限學習機算法利用大量未標記樣本信息對標記樣本進行擴充，從而實現(xiàn)半監(jiān)督分類，當數(shù)據(jù)集標記樣本較少時，該算法分類正確率明顯優(yōu)于傳統(tǒng)無監(jiān)督聚類算法FCM以及有監(jiān)督極限學習機分類算法。
　?。?）模糊C均值算法具有易陷入局部最優(yōu)和初始化敏感的缺點。這里使用全局C均值算法對第三章算法進行改