图转导理论的研究与应用

论文摘要

分类是信息智能化处理的重要环节之一,在图像数字识别等领域有着广泛的应用。为了预测类别与数据之间的关系,需要收集充足的已标记数据,但在一些领域这是不现实的。相对于监督学习算法,半监督学习算法可以在无法得到充足标记信息的领域进行更有效的分类。图转导是半监督学习算法的一个重要的分支。本文主要研究了图转导学习的理论基础以及其主流算法,并对主动学习相关理论作了简单的介绍,综述了其代表算法。本文的工作包括两个方面：一是给出了基于图转导的分类算法；因为现有的图转导学习算法对图结构过于敏感,即使很小的边也会对分类结果造成很大的影响,所以为了避免这种不利,给出了基于最小路径的分类算法,并再此过程中给出了两种具体的方式来度量最小路径。二是实现了基于图转导的主动学习算法。图转导学习算法对初始标记集有很强的依赖,但是主动学习算法可以有效的减少对初始标记集的依赖。为了得到更有效的标记集,将主动学习的目标由最大限度的减少数据集的不确定性改为最大限度的降低损失函数的值而熵在信息系统中作为事物不确定性的表征,所以基于熵的主动学习在这一情况下并不是适合的,本文给出的基于图转导的主动学习算法可以更有效的减少损失函数的值。本文提出的算法都在相关章节通过实验验证了算法的有效性,并给出了分类结果的准确率。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究背景及意义
• 1.2 国内外研究现状
• 1.3 课题研究内容及成果
• 1.4 论文组织结构
• 第二章 图转导算法
• 2.1 引言
• 2.2 LP算法
• 2.3 HGF算法
• 2.4 LLGC算法
• 2.5 GTAM算法
• 2.6 主动学习算法
• 2.6.1 概述
• 2.6.2 SVM算法
• 2.6.3 QBC算法
• 2.7 本章小结
• 第三章 基于图转导的分类算法
• 3.1 引言
• 3.2 根据最小距离的分类算法
• 3.3 设计的图转导学习算法
• 3.4 实验与分析
• 3.5 分类算法在图像数字识别中应用
• 3.6 本章小结
• 第四章 基于图转导的主动学习算法
• 4.1 引言
• 4.2 基于熵的主动学习算法
• 4.3 设计的主动学习算法
• 4.4 实验与分析
• 4.5 主动学习算法在图像数字识别中应用
• 4.6 本章小结
• 第五章 总结
• 5.1 论文总结
• 5.2 下一步工作
• 参考文献
• 在学期间发表论文和参加科研情况
• 致谢