基于局部敏感哈希和支持向量機的半監(jiān)督增量學習研究.pdf

1、近年來，隨著計算機網(wǎng)絡技術和傳感器技術的發(fā)展，應用軟件和設備產(chǎn)生了大量的高維數(shù)據(jù)，且規(guī)模呈幾何級數(shù)增加。這些數(shù)據(jù)大多數(shù)是無標簽樣本或是帶少量標簽的樣本，而給大量樣本加標簽是非常困難的。同時半監(jiān)督式增量學習作為機器學習中的重要研究方向，對整個信息時代的發(fā)展都有著非常重要地意義。因此本文在研究傳統(tǒng)機器學習算法的基礎上，著重研究了基于支持向量機半監(jiān)督增量學習。本文主要工作和成果如下:
　　(1)查閱了大量國內外參考文獻，討論了現(xiàn)階段半監(jiān)

2、督學和增學習的研究進展，闡述了目前機器算法無法很好地適應復雜環(huán)境的現(xiàn)狀，并對機器學習、半監(jiān)督學習、支持向量機理論以及局部敏感哈希理論思想做了簡要分析，為下文將要展開的研究做好理論基礎。
　　(2)分析了幾種常用增量學習的不足，提出了一種基于局部敏感哈希的SVM增量學習方法。算法首先利用局部敏感哈希能快速查找相似數(shù)據(jù)的特性，在SVM算法的基礎上，篩選出增量中可能成為SV的樣本，然后與已有SV一起作為后續(xù)訓練的基礎。最后多個數(shù)據(jù)集的實

3、驗結果表明該算法能有效地提高訓練學習的速度，并能保持有效的準確率。
　　(3)在對半監(jiān)督學習尤其是TSVM進行分析基礎上，提出基于PCA-LSH的TSVM增量學習算法。算法篩選出第一次增量中與有標簽樣本相似的樣本，通過TSVM得到SV，并篩選出再次增量中有可能成為SV的無標記樣本，然后與已有SV和有標簽樣本一起作為后續(xù)半監(jiān)督增量訓練的基礎。最后進行實驗仿真，實驗結果表明該算法提高了訓練速度和分類精度，尤其在樣本中帶標簽樣本比重較小