基于增量学习的直推式支持向量机算法

针对直推式支持向量机在进行大数据量分类时出现精度低、学习速度慢和回溯式学习多的问题,提出了一种基于增量学习的直推式支持向量机分类算法,将增量学习引入直推式支持向量机,使其在训练过程中仅保留有用样本而抛弃无用样本,从而减少学习时间,提高分类速度。实验结果表明,该算法具有较快的分类速度和较高的分类精度。     

基于支持向量机的渐进直推式分类学习算法

支持向量机(support vector machine)是近年来在统计学习理论的基础上发展起来的一种新的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势.直推式学习(transductive inference)试图根据已知样本对特定的未知样本建立一套进行识别的方法和准则.较之传统的归纳式学习方法而言,直推式学习往往更具普遍性和实际意义.提出了一种基于支持向量机的渐进直推式分类学习算法,在少量有标签样本和大量无标签样本所构成的混合样本训练集上取得了良好的学习效果.     

基于SVDD的渐进直推式支持向量机学习算法

针对半监督学习中渐进直推支持向量机(PTSVM)算法每次标注的样本数太少、训练速度慢、回溯式学习多、学习性能不稳定的问题,提出一种快速的渐进直推支持向量机学习算法.该算法利用支持向量的信息,基于支持向量域描述(SVDD)选择新标注、无标签的样本点,以区域标注法代替PTSVM的成对标注法,不仅继承了其渐进赋值和动态调整的规则,而且在保持甚至提高算法精度的同时,大大提高算法速度.在人工模拟数据和真实数据上的实验结果表明该算法的有效性.     

基于直推式支持向量机的图像分类算法

直推式支持向量机(TSVM)是在利用有标签样本的同时，考虑无标签样本对分类器的影响，并且结合支持向量机算法，实现一种高效的分类算法。它在包含少量有标签样本的训练集和大量无标签样本的测试集上，具有良好的效果。但是它有算法时间复杂度比较高，需要预先设置正负例比例等不足。通过对原有算法的改进，新算法在时间复杂度上明显下降，同时算法效果没有明显的影响。     

基于人工鱼群优化的直推式支持向量机分类算法

提出基于人工鱼群优化的直推式支持向量机分类算法。该算法使直推式学习思想的优势得到充分的展现,在部分UCI标准数据集和20-Newgroups文本实验数据集上的对比实验表明,该算法较经典支持向量机算法和基于蚁群算法的直推式支持向量机算法具有更高的分类性能。     

基于信息反馈的半监督支持向量机算法

针对直推式支持向量机中标记速度与标注精度之间的矛盾,提出一种信息反馈的半监督支持向量机算法,该算法利用上轮标注数量、重置次数、未标注边界样本数量等信息,动态调整标记样本数量,对区域标注和成对标注进行折衷,在继承渐进赋值和动态调整的同时,可以平衡标记速度与标记精度之间的矛盾,减少错误的传递和积累.在人工数据集和UCI数据集上的实验结果表明该算法在保证标注准确度的前提下提高算法速度.     

一类分类马氏椭球学习机的直推式学习

针对一类分类马氏椭球学习机当训练样本点比较少而待分类的样本点比较多时,分类精度不高,系统适应性不强的问题,提出直推式一类分类马氏椭球学习机.为解决上述问题,在训练过程中利用已知的训练样本点和待分类的样本点的信息,将待分类样本点逐渐加人到学习机中,并能有效地利用历史训练结果对其进行识别和分类,具有增量学习的特点.与一类分类马氏椭球学习机相比,方法能在很小的训练样本集规模下提高学习机的分类精度,从而使系统的适应性更好.仿真数据和真实数据的实验表明直推式一类分类马氏椭球学习机能大幅度地提高学习的精度.     

双模糊渐进直推式支持向量机算法

直推式支持向量机(TSVM)是支持向量机与直推式学习相结合的重要算法.文中为TSVM中的临时标签样本引入双模糊隶属度以及样本修剪策略,构建一种双模糊渐进直推式支持向量机(BFPTSVM)算法.该算法可有效降低TSVM的计算复杂度及核存储量.模拟实验表明该算法可取得比其他算法更好的分类性能,并且具有较快的收敛速度.     

基于半监督学习的查询扩展模型

查询扩展是针对信息检索中常见的"词不匹配"问题提出的一种优化方法。通过分析现有查询扩展方法的不足,提出一种基于半监督学习的查询扩展模型,该模型将查询扩展看作一个分类问题,并采用直推式支持向量机对样本进行训练。实验结果表明该方法进一步提高了搜索引擎的查全率和查准率。     

基于半监督假设的半监督稀疏度量学习

传统的有监督度量学习算法没有利用大量存在的无标记样本,且得到的度量矩阵复杂,难以了解不同原始特征的重要程度。针对这些情况,提出基于半监督假设的半监督稀疏度量学习算法。根据三样本组约束建立间隔损失函数;基于平滑假设、聚类假设、流形假设这三个半监督假设建立半监督正则项,并利用L_1范数建立稀疏正则项;利用梯度下降法求解目标函数。实验结果表明,该算法学习得到的度量能有效地使不同类别的样本间距离增大,度量矩阵具有稀疏性,分界面穿过低密度区域,该算法在UCI的样本数据集上具有良好的分类准确性。     

基于直推式学习的视网膜致病基因预测模型

生物信息学的一个重要目的是帮助人类深入地认识疾病的过程、遗传特性和潜在的治疗方法。然而,发现致病基因往往是一项复杂而艰巨的工作,比如一些遗传性的眼部疾病。在综合了收集到的众多基因表达数据的基础上,提出一种双层的直推式机器学习(TTP)模型,用于发现潜在的视网膜致病基因。里层用于从多维的Human Body Map 2.0和眼部组织基因表达谱中分别获取贡献度;在外层学习中,里层获取的贡献度将和Crx和Ch IP-Seq数据一起学习得出致病基因的排序结果。实验结果表明,在致病基因预测上,直推式学习的准确度要优于传统的监督学习。另外,还发现一个有趣的现象,数据的集成并不是总能得到有利的结果。     

基于Voronoi K阶邻近图的半监督学习自动图像标注

在为自动图像标注构建相似图的过程中,针对传统的方法是基于图像间的视觉相似性,其没有考虑到数据集中某个子数据集内的结构信息这一问题,提出一种基于Voronoi k阶邻近图的半监督学习自动图像标注方法。该方法充分考虑Voronoi k阶邻近图能很好地表达空间目标的影响区域以及可以方便地进行空间邻近的描述与推理的特性,将特征空间内的图像数据点分布信息融合到点对间的相似度量表示中,利用未标注样本挖掘图像特征的内在规律,然后把半监督学习的方法和多标记学习有效结合起来,从而达到对图像进行自动标注。实验结果表明,提出的标注方法可行,同时标注结果与传统的标注方法相比得到了明显改善。     

基于半监督回归学习的人脸几何美丽分数

基于人脸美学的迅速发展,对人脸的几何特征定义、几何特征规范化以及几何特征对判断人脸美与否的贡献进行研究。首先定义人脸几何美丽分数函数,然后将流形学习与半监督学习相结合,用流形上的半监督回归方法学习人脸几何美丽分数。为了突出几何特征,还验证了人脸表情与几何美丽分数之间的关系。与K近邻(KNN)、支持向量机(SVM)、C4.5决策树分类方法相比,通过实验验证,证明了所提方法的有效性和可行性。     

基于模糊Petri网学习能力问题的最优化算法

在分析模糊Petri网推理机制的基础上,将优化算法ACA(Ant Colony Algorithm)引入至FPN(Fuzzy Petri Net)的学习能力问题中.针对一知识库系统的具体实例,探讨该算法在FPN学习能力问题中的具体实现,并结合传统优化算法对比分析了它们各自的特点和性能优劣.仿真实验表明,ACA算法整体性能最佳,训练出的参数正确率较高,且所得的模糊Petri网具有很强的泛化能力和自适应功能.     

基于集成学习支持向量机的步态识别

提出一种基于Bagging算法和SVM的步态识别方法。首先应用背景差分法分割出运动人体轮廓,然后将人体分为多个可变区域,并通过计算获取特征向量。采用SVM分类器进行分类识别,为了提高SVM的识别率,采用Bagging算法对分类结果进行分类集成,实验结果表明,该算法取得了很好地识别性能。     

基于L0稀疏超图半监督学习的异常用电行为识别

对异常用电行为进行自动分析是电力部门十分关心的问题,故提出一种基于L0稀疏超图半监督学习的用户窃电行为识别算法。与经典图模型中两个顶点的边连接方式不同,超图模型将具有相似特征的多个样本组建为超边,有利于表示用户用电数据间的复杂关联关系。然而常用的K近邻构建超边方法存在超边大小固定,无法有效匹配用户用电数据非均匀分布的缺点。为解决该问题,建立基于L0稀疏重构的超图模型,模型针对每一用户数据建立一个超边,通过L0范数约束的稀疏分解自适应选择与当前用户紧密关联的多个样本,更有利于匹配用户数据的分布结构。继而构建超图拉普拉斯正则约束的半监督分类模型,利用少量的标定样本数据,判别用户用电行为是否存在异常。选取某城市8 900余居民300余天的实际用电数据作为测试样本集,实验结果验证了方法的有效性。     

基于胶囊网络进行可区别特征学习的零样本识别方法研究

传统的零样本学习方法大多采用一个分离的两步管道,从预先训练的CNN模型中提取图像特征,再利用固定的图像特征来学习嵌入空间,导致零样本学习任务并不能捕捉到辅助信息中丰富的语义信息.对此,借助胶囊网络,提出一种端到端、可训练的模型.相比卷积网络,胶囊网络对物体的平移、旋转和缩放等变化表现出更强的鲁棒性.该模型赋予嵌入空间更...     

图灵机的行为学习*

图灵机计算时读写头在带子上的活动,包括移动及改写字符，称为圈灵机的行为．本文证明，图灵机的行为是可学习的．即存在一个学习过程，它能根据一个图灵机的行为序列，学到另一个也能产生同样行为序列的图灵机．     

基于半监督K-Means的属性加权聚类算法

K-Means是经典的非监督聚类算法,因其速度快,稳定性高广泛应用在各个领域。但传统的K-Means没有考虑无关属性以及噪声属性的影响,并且不能自动寻找聚类数目K。而目前K-Means的改进算法中,也鲜有关于高维以及噪声方面的改进。因此,结合PCA提出基于半监督的K-Means加权属性聚类方法。首先,用PCA得到更少更有效的特征,并计算它们的分类贡献率(即每个特征对聚类的影响因子)。其次,由半监督自适应算法得到K。最后将加权数据集以及K应用到聚类中。实验表明,该算法具有更好的识别率和普适性。