导读:本文包含了直推式支持向量机论文开题报告文献综述及选题提纲参考文献，主要关键词:局部核,支持向量机,遥感图像,目标检测
直推式支持向量机论文文献综述
罗继强,许廷发,潘腾,徐超[1]（2019）在《基于局部核直推支持向量机的遥感图像目标提取方法》一文中研究指出随着卫星遥感图像分辨率的提升,感兴趣目标在图像中所占尺寸越来越小,从地面复杂背景中快速提取出感兴趣的目标依然具有挑战性。本文提出了一种基于局部学习方法的直推支持向量机的遥感图像目标提取方法。该方法将半监督学习方法和局部学习方法相结合,能够有效利用已知目标样本的直推支持向量机,实现对小样本遥感目标识别的分类器构建。实验结果表明,该方法在高分辨率卫星遥感图像上的海上目标提取上比其他方法有更好的性能。(本文来源于《第二十届中国系统仿真技术及其应用学术年会论文集（20th CCSSTA 2019）》期刊2019-08-20）
李煜,冯翱,邹书蓉[2]（2018）在《基于改进k-近邻的直推式支持向量机学习算法》一文中研究指出针对直推式支持向量机(TSVM)需要遍历所有无标签样本花费时间长的缺点,提出一种基于改进k-近邻法的直推式支持向量机学习算法——k2TSVM。该算法首先使用k-均值聚类将无标签样本分成若干簇,然后求出每簇中心点的k近邻并根据其中正负样本个数对无标签样本进行删减,将删减后的数据集输入直推式支持向量机进行训练。k2TSVM改善传统TSVM需要遍历所有无标签数据的缺点,有效减少训练样本规模,能够提高运行速度。实验结果表明,k2TSVM在降低运行时间的同时,能够取得比类似TSVM改进算法更好的分类结果。(本文来源于《计算机与现代化》期刊2018年04期）
杜红乐,张燕[3]（2017）在《代价敏感的直推式支持向量机算法》一文中研究指出针对不均衡数据集下分类超平面偏移导致直推式支持向量机样本标记准确率低的问题,结合动态代价和TSVM算法,提出一种代价敏感的TSVM算法,该算法依据类样本的空间分布信息计算类错分代价,利用KKT条件选择对当前分类超平面有影响的样本加入下一轮迭代,该算法可以提高初始分类器的分类性能,减少错误的传递和累积,从而提高标注准确率,增强最后分类器的泛化性能.最后在UCI数据集上的实验结果表明该算法在不均衡数据集下的有效性.(本文来源于《河南科学》期刊2017年08期）
杜红乐,张燕[4]（2017）在《基于Tri-training直推式支持向量机算法》一文中研究指出针对直推式支持向量机错误累积及获取无标记样本空间信息慢的问题,结合Tri-training算法、KKT条件及富信息策略提出一种基于Tri-training的直推式支持向量机算法,用KKT条件选择标注样本,用富信息策略选择加入的分类器,利用多个分类器的投票结果进行标注,提高样本标注的准确度,利用多个分类器进行协同训练提高算法的训练速度.最后实验结果表明,算法能够提高最终分类器的分类精度和算法的训练速度.(本文来源于《河南科学》期刊2017年07期）
杜红乐,滕少华,张燕[5]（2016）在《协同标注的直推式支持向量机算法》一文中研究指出在直推式支持向量机中,迭代过程中样本标注错误会导致错误传递,影响下一次迭代中样本标注准确度,使得错误不断的被积累,造成最终分类超平面的偏移,另外在传统单个分类器下,提高样本标注准确度与提高算法训练速度之间是矛盾的,无法得到兼顾.针对此,本文把投票机制和协同思想引入到直推式支持向量机中,提出一种协同标注的直推式支持向量机算法,利用多个分类器的投票结果对样本进行标注,提高样本标注的准确度,利用多个分类器进行协同训练提高算法的训练速度.最后实验结果表明,所提出算法能够利用投票机制和协同思想提高最终分类器的分类精度和算法的训练速度.(本文来源于《小型微型计算机系统》期刊2016年11期）
安汝峤,杨春节,潘怡君[6]（2016）在《一种改进的基于直推式支持向量机的故障分类算法》一文中研究指出随着大数据时代的到来,过程工业中产生了大量的过程数据。传统的支持向量机(Support Vector Machine,SVM)是一种有监督的学习算法,其学习过程依赖大量有标签的样本数据。而实际生产过程中,对于样本的标记是十分困难的,因此利用大量无标签的样本来进行学习就显得很有必要。直推式支持向量机(transductive SVM,TSVM)就是由支持向量机发展而来的半监督算法,它利用了大量无标签数据,从而在一定程度上可以获得更好的分类超平面,以获得更好的分类效果。在本文中,作者提出了一种改进的基于直推式支持向量机的故障分类算法,从平衡数据样本类别的数量入手,对无标签的样本进行了初步的预测,并对该过程进行了优化。通过理论分析与实验验证的方法,可以发现该算法在TE的流程工业模拟试验中取得了比较好的分类效果,验证了该算法的有效性。(本文来源于《第27届中国过程控制会议（CPCC2016）摘要集》期刊2016-07-31）
鲍艳伟[7]（2015）在《基于渐进直推式支持向量机的Twitter文本情感分析研究》一文中研究指出近年来,随着互联网技术的迅猛发展和移动终端的进一步普及,社交网络(Social Network Service)己逐渐深入人们的日常生活。Twitter是一个典型的社交网络及微博客服务网站,其访问量位列全球互联网网站前十位。用户可随时随地更新自己的状态,同时可以关注其他用户的动态。每天数以亿计的推文记录了用户的所见、所闻、所为、所感,分享了他们的喜、怒、哀、乐。对表达于Tweets中的情感特征进行深度挖掘在市场营销、舆情监控、突发事件应急等方面都有重要作用。情感计算是近年来人工智能领域的研究热点。情感的主观性、隐藏性、判定标准不统一性等特点致使文本情感分析有别于传统的文本分析。而Tweets的短文本性、口语化、高噪声等特性使得Twitter'情感分析更具挑战性。针对Twitter的特点,研究了Twitter情感分析的若干关键问题,主要包括Tweets的文本预处理、特征分析、基于半监督的情感分析算法等。为降低Tweets中噪声对情感分析造成的影响,研究了一系列改良的Twitter文本预处理方法,重点对URLs、否定词、重复字母等信息进行预处理,并通过对比试验验证了预处理方法对Twitter情感分析的有效性。同时,分析了不同选择标准在特征选择方面的能力,重点对比了文档频率、信息增益和卡方统计量特征选择的效果。实验结果表明,预处理及特征选择操作在提高了情感分类准确率的同时有效降低了特征空间的维度。另外,为克服大量标注数据的难获取性,避免海量未标注数据的资源浪费,研究了一种基于渐进直推式支持向量机的半监督Twitter情感分析算法。通过引入扰动因子稳步优化了Twitter情感分析效果,并且可以自适应数据分布,自动控制学习进度和训练时间。(本文来源于《合肥工业大学》期刊2015-04-01）
王利文,刘琼荪[8]（2014）在《直推式支持向量机的研究学习》一文中研究指出传统的支持向量机(SVM)是一种有监督的机器学习方法,需要大量的有标签样本,而实际中对于有标签的样本数量十分有限且获得困难;直推式学习正是依据已知样本对特定的未知样本进行识别的方法与准则;研究了近年来直推式支持向量机学习算法及其改进算法,讨论了直推式学习算法的优缺点并对其发展进行了展望。(本文来源于《重庆工商大学学报(自然科学版)》期刊2014年05期）
王利文[9]（2014）在《直推式支持向量机的研究学习》一文中研究指出支持向量机（Support Vector Machine,SVM）是一种建立在统计学习理论基础上的机器学习方法，最初是由Vapnik等人研究小样本问题时提出的。随着统计学习理论的发展，SVM在理论和应用方面都得到了迅速地发展。特别是将核函数引入到SVM的学习过程中，提高了算法对高维数据的处理能力，在文本分类、医疗诊断、图像检测及数字验证等领域得到很好的推广。标准SVM是基于监督学习的分类方法，需要手工对大量样本标记以获取足够的训练样本。但在实际工程应用中，这一过程不仅效率不高，并且代价较为昂贵。因此，半监督学习思想被引入到SVM的训练学习过程中，典型的包括：Bennett等人将SVM规范化的表现形式中引入聚类假设的思想，提出的S3VM学习机；Joachims基于直推式学习提出的TSVM算法等。本文对TSVM算法做了详细的研究，对于TSVM算法中N p较难估计的问题，提出基于无标签样本的成对标注法和标签动态调整PTSVM算法。针对训练样本集中的有标签样本数不平衡的问题，采取对不同的无标签样本设置不同的惩罚参数的策略，提出了TSVM的模糊渐进式算法和Semi-TSVM算法等。虽然以上几种改进算法提高了TSVM分类的准确度，但是也增加了算法的训练时间。针对这一情形，本文采用SLS-TSVM模型避免了每次迭代求解QP问题，提高了训练的速度，同时在每次迭代中采用区域标注法来实现无标签样本的标注，也加快了对无标签样本的标注效率。通过仿真实验可以发现，SLS-TSVM算法在保持PTSVM算法精度的同时，也有效提高了训练的效率。直推式学习SVM的研究是支持向量机发展的一个方向，虽然目前TSVM算法的研究已获得一些进展，但其理论研究仍不够完善。本文根据直推式支持向量机的学习算法做了一些理论研究，如何更好挖掘的无标签样本信息提高分类器的性能是TSVM算法下一步研究的关键。(本文来源于《重庆大学》期刊2014-04-01）
王立梅,李金凤,岳琪[10]（2013）在《基于k均值聚类的直推式支持向量机学习算法》一文中研究指出针对直推式支持向量机(TSVM)学习模型求解难度大的问题,提出了一种基于k均值聚类的直推式支持向量机学习算法——TSVMKMC。该算法利用k均值聚类算法,将无标签样本分为若干簇,对每一簇样本赋予相同的类别标签,将无标签样本和有标签样本合并进行直推式学习。由于TSVMKMC算法有效地降低了状态空间的规模,因此运行速度较传统算法有了很大的提高。实验结果表明,TSVMSC算法能够以较快的速度达到较高的分类准确率。(本文来源于《计算机工程与应用》期刊2013年14期）
直推式支持向量机论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对直推式支持向量机(TSVM)需要遍历所有无标签样本花费时间长的缺点,提出一种基于改进k-近邻法的直推式支持向量机学习算法——k2TSVM。该算法首先使用k-均值聚类将无标签样本分成若干簇,然后求出每簇中心点的k近邻并根据其中正负样本个数对无标签样本进行删减,将删减后的数据集输入直推式支持向量机进行训练。k2TSVM改善传统TSVM需要遍历所有无标签数据的缺点,有效减少训练样本规模,能够提高运行速度。实验结果表明,k2TSVM在降低运行时间的同时,能够取得比类似TSVM改进算法更好的分类结果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
直推式支持向量机论文参考文献
[1].罗继强,许廷发,潘腾,徐超.基于局部核直推支持向量机的遥感图像目标提取方法[C].第二十届中国系统仿真技术及其应用学术年会论文集（20thCCSSTA2019）.2019
[2].李煜,冯翱,邹书蓉.基于改进k-近邻的直推式支持向量机学习算法[J].计算机与现代化.2018
[3].杜红乐,张燕.代价敏感的直推式支持向量机算法[J].河南科学.2017
[4].杜红乐,张燕.基于Tri-training直推式支持向量机算法[J].河南科学.2017
[5].杜红乐,滕少华,张燕.协同标注的直推式支持向量机算法[J].小型微型计算机系统.2016
[6].安汝峤,杨春节,潘怡君.一种改进的基于直推式支持向量机的故障分类算法[C].第27届中国过程控制会议（CPCC2016）摘要集.2016
[7].鲍艳伟.基于渐进直推式支持向量机的Twitter文本情感分析研究[D].合肥工业大学.2015
[8].王利文,刘琼荪.直推式支持向量机的研究学习[J].重庆工商大学学报(自然科学版).2014
[9].王利文.直推式支持向量机的研究学习[D].重庆大学.2014
[10].王立梅,李金凤,岳琪.基于k均值聚类的直推式支持向量机学习算法[J].计算机工程与应用.2013