半监督学习方法研究

半监督学习方法研究

论文摘要

机器学习是人工智能的核心研究领域,是智能信息处理的重要途径。本文研究的内容是机器学习的一个重要分支——半监督学习。半监督学习主要关注的问题是如何有效地综合利用标签数据和非标签数据进行学习。本文从理论、方法和应用等三个层次上讨论了半监督学习问题,并提出两种半监督学习方法。主要贡献如下:1.广泛地考察了半监督学习领域的国内外研究现状及发展趋势,调查和研究了半监督学习的产生和发展过程,对前人的成果进行了分类、总结和比较。对现有的半监督学习方法的理论、方法及应用进行了初步的研究,总结了目前一些方法存在的不足和需要解决的问题。2.深入探讨了半监督维数约简方法,着重研究了基于特征选择的维数约简方法。在此基础上提出了一种新的半监督特征选择方法——半监督判别特征选择,有效地提高了对高维数据的维数约简效果。3.深入探讨了半监督学习方法的扩展问题,重点研究了Universum这种数据对半监督学习的帮助作用。综合利用传统半监督方法和Universum的优点,基于线性回归模型和图优化框架,提出了一种利用Universum的半监督分类算法,取得了较好的分类效果。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 研究背景与意义
  • 1.1.1 问题的提出和研究意义
  • 1.1.2 半监督学习基本思想及其基本假设
  • 1.1.3 半监督学习算法的分类
  • 1.2 国内外研究现状及发展方向
  • 1.2.1 国内外研究现状
  • 1.2.2 主要研究方向
  • 1.3 论文的组织和安排
  • 1.3.1 主要的研究内容和创新成果
  • 1.3.2 论文结构安排
  • 第二章 几种经典的半监督学习方法
  • 2.1 引言
  • 2.2 生成式模型算法
  • 2.2.1 方法简介
  • 2.2.2 高斯混合模型的EM 参数估计
  • 2.2.3 模型的可确认性和正确性
  • 2.3 半监督支持向量机算法
  • 2.3.1 方法简介
  • 2.3.2 基于组合的半监督支持向量机
  • 2.3.3 基于连续的半监督支持向量机
  • 2.4 基于图的半监督算法
  • 2.4.1 方法简介
  • 2.4.2 半监督判别分析
  • 2.4.3 SDA 算法的实现
  • 2.5 协同训练算法
  • 2.5.1 方法简介
  • 2.5.2 标准协同训练算法
  • 2.5.3 协同训练算法的可行性分析
  • 2.6 本章小结
  • 第三章 半监督判别特征选择算法
  • 3.1 引言
  • 3.2 线性判别特征选择算法
  • 3.2.1 从特征变换到特征选择
  • 3.2.2 线性判别特征选择
  • 3.3 半监督判别特征选择算法
  • 3.3.1 图视角的线性判别特征选择
  • 3.3.2 半监督判别特征选择
  • 3.4 实验及结果分析
  • 3.4.1 物体识别实验
  • 3.4.2 人脸识别实验
  • 3.4.3 结果分析
  • 3.5 本章小结
  • 第四章 一种利用Universum 的半监督分类算法
  • 4.1 引言
  • 4.2 利用Universum 的半监督分类算法
  • 4.2.1 利用Universum 的线性回归模型
  • 4.2.2 利用图优化框架下的子空间学习模型
  • 4.2.3 利用Universum 的半监督分类算法
  • 4.2.4 扩展到多类问题
  • 4.3 实验及结果分析
  • 4.3.1 仿真实验
  • 4.3.2 物体识别实验
  • 4.3.3 人脸识别实验
  • 4.4 本章小结
  • 第五章 结束语
  • 致谢
  • 参考文献
  • 作者在学期间取得的学术成果
  • 相关论文文献

    • [1].基于分层校验的多标签数据流概念漂移检测[J]. 模式识别与人工智能 2020(03)
    • [2].地理标签数据的获取与组织管理相关技术的研究[J]. 测绘与空间地理信息 2017(10)
    • [3].基于概率相关性的多标签数据流变化检测[J]. 计算机科学 2015(08)
    • [4].基于支持向量数据描述的无标签数据多类分类[J]. 智能系统学报 2009(02)
    • [5].利用最近邻信息快速分类多标签数据[J]. 计算机工程与应用 2011(32)
    • [6].基于多标签数据的降维与分类算法的研究[J]. 现代计算机(专业版) 2016(14)
    • [7].基于嵌入式RFID中间件的标签数据处理[J]. 微计算机信息 2009(14)
    • [8].融合地理标签数据的个性化信息服务应用研究[J]. 现代情报 2019(10)
    • [9].一种基于人工标签数据的行为识别模型迁移方法[J]. 西安邮电大学学报 2016(02)
    • [10].两种UHF RFID标准标签数据结构差异对读写器设计的影响[J]. 物联网技术 2014(10)
    • [11].基于半监督生成对抗网络的遥感影像地物语义分割[J]. 测绘与空间地理信息 2020(04)
    • [12].浅析机场RFID标签数据协议规范[J]. 信息技术与信息化 2018(04)
    • [13].一种基于Heat Map的地理标签数据可视化表达的研究[J]. 测绘工程 2016(06)
    • [14].基于迁移共享空间的分类新算法[J]. 计算机研究与发展 2016(03)
    • [15].适用于不确定类标签数据学习的迁移支持向量机[J]. 控制与决策 2014(10)
    • [16].使用无标签数据的主成分初始化方法[J]. 北京工业大学学报 2019(07)
    • [17].半监督单样本深度行人重识别方法[J]. 计算机系统应用 2020(01)
    • [18].企业新闻[J]. 中国自动识别技术 2017(01)
    • [19].基于半监督聚类的入侵检测系统模型研究[J]. 西北工业大学学报 2010(04)
    • [20].基于Transfer-SVM多标签文本分类算法研究[J]. 无线互联科技 2019(10)
    • [21].利用地理标签数据感知城市活力[J]. 测绘学报 2020(03)
    • [22].基于显式和隐式社交网络的混合推荐[J]. 计算机应用与软件 2016(11)
    • [23].基于有限状态机的RFID流数据过滤与清理技术[J]. 软件学报 2014(08)
    • [24].半监督自训练的方面提取[J]. 智能系统学报 2019(04)
    • [25].一种改进的内存索引算法在中药追溯数据处理中的应用[J]. 通化师范学院学报 2016(06)
    • [26].数据流分类器算法在水质环境中的应用[J]. 科技通报 2014(01)
    • [27].一种利用Universum的半监督分类算法[J]. 计算机工程与应用 2012(06)
    • [28].一种基于多线程的RFID读写中间件[J]. 佛山科学技术学院学报(自然科学版) 2012(04)
    • [29].轮胎噪声和滚动阻力标签数据的综述及分析[J]. 轮胎工业 2014(12)
    • [30].半监督的文本分类——两阶段协同学习[J]. 小型微型计算机系统 2009(10)

    标签:;  ;  ;  ;  ;  

    半监督学习方法研究
    下载Doc文档

    猜你喜欢