

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、半監(jiān)督學(xué)習(xí)是一種應(yīng)用驅(qū)動而產(chǎn)生的機器學(xué)習(xí)方法,已經(jīng)成為人工智能和模式識別領(lǐng)域的研究熱點之一。作為該領(lǐng)域的主要分支,半監(jiān)督聚類將給定的少量監(jiān)督信息引入最優(yōu)聚類的搜索過程中,來改善算法性能;半監(jiān)督分類試圖挖掘無標(biāo)記樣本所隱含的有用信息來輔助分類器的訓(xùn)練。近年來,研究學(xué)者們不斷提出了各種半監(jiān)督聚類或分類方法,并將其應(yīng)用于自然語言處理、圖像處理和生物特征識別等實際領(lǐng)域中。
Tri-training算法作為協(xié)同訓(xùn)練機制的代表性算法,雖然
2、能夠利用分類器完成對無標(biāo)記樣本的標(biāo)注,但是它需要給定足夠多的有標(biāo)記樣本來保證初始得到的分類器具有較大的差異性,同時也無法處理監(jiān)督信息中包含成對約束的情形。
因此,鑒于上述不足,本文以Tri-training算法為出發(fā)點,研究當(dāng)給定不同形式的監(jiān)督信息時,如何有效選取并標(biāo)注無標(biāo)記樣本,來實現(xiàn)半監(jiān)督聚類和半監(jiān)督分類。
主要內(nèi)容包括以下三個方面:
(1)針對監(jiān)督信息中既給定有標(biāo)記樣本又包含成對約束的情形,設(shè)計了一種
3、基于Tri-training的半監(jiān)督聚類算法。該算法首先結(jié)合Tri-training方法,選取某些無標(biāo)記樣本并提供類別標(biāo)記,來增加原始有標(biāo)記樣本的數(shù)量;然后利用樣本間的約束關(guān)系來優(yōu)化擴充得到的有標(biāo)記樣本集,以改善其質(zhì)量;最后根據(jù)優(yōu)化后的有標(biāo)記樣本集來獲取K-Means算法所需的類中心,同時在聚類的過程中,運用成對約束對每一次的劃分結(jié)果進行調(diào)整。通過與K-Means、Seeded-K-Means和COP-K-Means算法的比較實驗表明,
4、提出的算法能夠充分利用給定的監(jiān)督信息,并得到較好的聚類結(jié)果。
(2)針對監(jiān)督信息中只給定少量有標(biāo)記樣本的情形,提出了一種基于Tri-training和少量標(biāo)記樣本的主動半監(jiān)督分類算法。該算法借鑒主動學(xué)習(xí)思想,從無標(biāo)記樣本集中選取最有可能被錯誤標(biāo)記和最有可能代表類特征的樣本,交由專家用戶進行標(biāo)注,來增加原始有標(biāo)記樣本的數(shù)量。對比實驗表明,當(dāng)給定的初始有標(biāo)記樣本數(shù)量很少,Tri-training算法無法取得滿意的效果時,提出的算法
5、能夠獲得具有較好分類能力的學(xué)習(xí)模型。
(3)針對監(jiān)督信息中只給定成對約束的情形,給出了一種基于Tri-training和成對約束的主動半監(jiān)督分類算法。該算法運用樣本間的約束關(guān)系從中選擇有價值的樣本交由專家用戶進行標(biāo)注,來得到有標(biāo)記樣本集;同時在半監(jiān)督分類的過程中,利用成對約束優(yōu)化每次用于重新訓(xùn)練分類器的有標(biāo)記樣本集,以提高數(shù)據(jù)使用的安全性。實驗結(jié)果表明,與Tri-training方法相比,提出的算法能夠有效處理監(jiān)督信息包含成對
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于Tri-training的半監(jiān)督多標(biāo)記學(xué)習(xí)算法研究.pdf
- 圖像分類中融合Bagging的Tri-Training算法研究.pdf
- 基于集成學(xué)習(xí)的半監(jiān)督學(xué)習(xí)算法研究.pdf
- 基于LNP的半監(jiān)督學(xué)習(xí)算法.pdf
- 基于Tri-Training的不完全標(biāo)記數(shù)據(jù)流分類算法研究.pdf
- 基于集成算法的半監(jiān)督學(xué)習(xí)研究.pdf
- 基于集成的半監(jiān)督學(xué)習(xí)和主動學(xué)習(xí)算法研究.pdf
- 基于半監(jiān)督學(xué)習(xí)的人臉識別算法研究.pdf
- 主動式半監(jiān)督學(xué)習(xí)算法的研究.pdf
- 基于半監(jiān)督學(xué)習(xí)的社團劃分算法研究.pdf
- 基于圖半監(jiān)督學(xué)習(xí)算法的研究及應(yīng)用.pdf
- 基于半監(jiān)督學(xué)習(xí)的文本分類算法研究.pdf
- 基于圖的半監(jiān)督學(xué)習(xí)算法及其應(yīng)用.pdf
- 基于半監(jiān)督和無監(jiān)督學(xué)習(xí)的特征選擇算法研究.pdf
- 基于半監(jiān)督學(xué)習(xí)的隨機森林算法研究與應(yīng)用.pdf
- 基于圖的半監(jiān)督學(xué)習(xí)的研究.pdf
- 半監(jiān)督學(xué)習(xí)框架下基于圖的SVM分類算法研究.pdf
- 基于半監(jiān)督學(xué)習(xí)的顏色恒常性算法研究與實現(xiàn).pdf
- 基于半監(jiān)督學(xué)習(xí)的路面病害檢測與分類算法研究.pdf
- 基于半監(jiān)督學(xué)習(xí)的兩種聚類算法研究.pdf
評論
0/150
提交評論