基于圖半監(jiān)督學習算法的研究及應用.pdf

1、有監(jiān)督學習和無監(jiān)督學習是機器學習領(lǐng)域兩種常用的學習算法，然而當訓練樣本數(shù)目有限時，有監(jiān)督學習很難準確的學習出樣本的真實空間分布。無監(jiān)督學習不需要訓練樣本，但是對于空間分布較為復雜的數(shù)據(jù)，無監(jiān)督學習很難得到好的學習效果。針對此類問題，半監(jiān)督學習成為機器學習領(lǐng)域近年來廣受關(guān)注的研究方向。半監(jiān)督學習結(jié)合兩種傳統(tǒng)學習算法的優(yōu)勢，利用大量未標記樣本輔助有限的有標記樣本來提高學習準確性。
　　 本文以遙感圖像的分類和分割為應用背景，在對傳統(tǒng)

2、的半監(jiān)督學習算法和有監(jiān)督PSO分類方法研究的基礎(chǔ)上，提出了一些新的半監(jiān)督學習算法，并將其用于高光譜遙感圖像的分類和SAR圖像的分割中。本文的主要工作概括如下：
　　 (1)提出了一種基于判別圖的半監(jiān)督學習分類方法，此方法在圖的構(gòu)建過程中引入了判別信息，充分利用有限的有標記樣本的信息構(gòu)建一種判別圖，在此判別圖的基礎(chǔ)上利用傳統(tǒng)的基于圖的半監(jiān)督學習框架對數(shù)據(jù)進行分類，提高了分類的正確率。
　　 (2)提出了一種基于l1-圖的半

3、監(jiān)督譜聚類方法，并利用Nystrom逼近加快，l1-圖的構(gòu)建過程。使用稀疏表示的方法構(gòu)建的l1-圖已被證明在譜聚類算法中有較好的性能，本文在構(gòu)建的l1-圖中通過添加成對約束可以提高譜聚類算法的性能。然而當樣本數(shù)目較多時，構(gòu)建l1-圖的復雜度較高，將其應用到圖像分割問題的時候，會出現(xiàn)計算量大的問題，而Nystrom可以加快算法速度，可將基于l1-圖的譜聚類算法成功用于SAR圖像分割。
　　 (3)提出了一種半監(jiān)督的粒子群優(yōu)化(PS