基于组合分类器的半监督算法研究与应用

论文摘要

传统监督学习方法需要利用大量有标签数据进行学习，然而在在现实应用中，由于受到资源、人力与不可克服的条件的限制，标签数据的获取存在一定的困难，标签数据不足成为制约监督学习方法的重要瓶颈。另一方面，无监督学习虽然不需要标签数据，但是缺少标签数据或者先验知识的有效引导，模型的准确性难以保证。因此，半监督学习作为一种能综合利用标签数据和未标签数据进行学习的理论，它的研究和探索具有深远的实际意义，一方面利用大量无标签数据辅助少量标签数据构建精良的学习模型，另一方面在少量标签数据或先验知识的指导下，无监督学习过程将更加合理有效。组合分类器算法能够在一定程度上弥补单个分类器的缺陷，因此在数据挖掘中得到广泛的应用。本文主要探讨了分类器组合的半监督扩展算法，同时引入了一种能有效描述聚类信息的距离度量，就分类器组合的两种产生形式分别提出相应的半监督算法，并将其应用到纹理图像分类中。主要的工作内容如下：1.针对协同训练算法中如何更好地利用聚类信息，提出了利用密度敏感距离这一有效度量构造出数据的关系图，进而更好地利用所有数据揭示出来分布信息，与已有的协同训练算法相比，有更好的分类能力。2.考虑到分类器组合算法的产生形式有两种，前述的协同训练算法中所使用的分类器组合算法为并行式，为了进一步充实和完善组合分类器算法的半监督扩展算法，对串行式的分类器组合算法也进行了相似扩展，提出了基于密度敏感距离的AdaBoost半监督学习算法，提高了分类器的性能。3.针对纹理图像分类的实际应用问题，首先利用二元树复小波变换在方向选择性、平移不变性和有限的数据冗余等方面的优点，对纹理图像进行特征提取，然后利用本文提出的半监督算法进行实验，提高了纹理图像分类的准确率。通过机器学习数据集和纹理图像分类数据集对所提出算法的测试表明本文的探讨的有效的，充实了半监督学习的内容，具有一定的理论意义和应用价值。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究的背景和研究意义
• 1.2 国内外研究现状
• 1.3 课题研究的主要工作和研究成果
• 1.4 本文的组织结构
• 第二章 半监督学习与分类器组合相关知识介绍
• 2.1 半监督学习简介
• 2.1.1 半监督学习问题表述
• 2.1.2 半监督学习基本假设
• 2.1.3 半监督学习几种框架
• 2.2 分类器组合介绍
• 2.2.1 引言
• 2.2.2 组合分类器方法的有效性
• 2.2.3 成员分类器的产生形式
• 2.2.4 成员分类器的组合方式
• 2.3 本章小结
• 第三章 基于密度敏感距离的协同训练算法
• 3.1 引言
• 3.2 并行式集成学习的半监督形式
• 3.3 融入聚类信息的半监督学习形式
• 3.4 密度敏感协同训练算法描述
• 3.5 实验结果与分析
• 3.5.1 实验数据
• 3.5.2 实验结果与分析
• 3.6 本章小结
• 第四章 基于密度敏感距离的半监督 AdaBoost 算法
• 4.1 引言
• 4.2 串行式集成学习的半监督形式
• 4.3 融入聚类信息的 AdaBoost 半监督学习方法
• 4.4 算法框架描述
• 4.5 实验结果与分析
• 4.5.1 实验数据
• 4.5.2 实验结果与分析
• 4.6 本章小结
• 第五章 半监督学习算法在纹理图像上的应用
• 5.1 引言
• 5.2 纹理特征的提取
• 5.3 实验结果与分析
• 5.3.1 实验数据
• 5.3.2 实验结果与分析
• 5.4 本章小结
• 总结
• 参考文献
• 致谢
• 个人简历、在学期间的研究成果及发表的学术论文