半监督条件下基于朴素贝叶斯和Choi-Williams时频分布能量积累的雷达信号识别

针对非合作电子侦察雷达信号识别中先验信息残缺的问题,该文提出一种基于Choi-Williams时频分布(CWD)的改进半监督朴素贝叶斯的识别算法(ISNB)。首先对CWD进行降噪预处理,然后通过计算降噪后CWD不同时间下各频率采样值的积累量,从而得到CWD的能量积累量这一新特征;针对传统的半监督朴素贝叶斯(SNB)在更新训练样本集过程中会产生迭代错误的不足,通过在无标签样本集生成的置信度列表中选取置信度高的样本添加到有标签样本集中,再利用预测后的分类结果对分类器参数进行改进,进而构建改进的SNB分类器,有效解决了传统SNB算法分类精度低且分类性能不稳定的缺点。理论分析和仿真结果表明,所提方法相比于传统SNB算法均提高了3%左右;在相同信噪比下,相比于传统的主成分分析加支持向量机法,该算法具有更高的分类识别率和更好的分类性能。     

基于增量贝叶斯的双偏振气象雷达降水粒子分类方法

面对降水粒子分类过程中可能存在的样本数不足,样本质量不高的问题,提出一种基于增量贝叶斯的双偏振气象雷达降水粒子分类方法。该方法首先处理有标签的训练数据集,获取属性节点和类节点之间的条件概率表构建朴素贝叶斯分类器;接着使用朴素贝叶斯分类器分类无标签数据,判断类置信度值后将符合条件的数据追加到训练数据集中,最后修正朴素贝叶斯分类器完成增量学习,得到增量贝叶斯分类器实现降水粒子分类。增量贝叶斯分类器不仅能够增加有效的数据样本,还能够及时更新分类器从而提高其泛化性和适应性,分类结果的准确性也得到了一定的改善。     

一种基于遗传算法的数据抽样方法

朴素贝叶斯分类器是一种基于独立假设的贝叶斯定理的简单概率分类器,依靠精确的自然概率模型,在有监督学习的样本集中能获取得非常好的分类效果。本文以朴素贝叶斯分类器为基础,提出一种最优保存简单遗传算法为搜索方法,随机抽样分类测试作为适应性函数来设计实现实例选择算法。实验表明,该抽样方法在不降低朴素贝叶斯分类器精度的前提下明显降低计算代价,对部分数据集还可有效地提高分类器的分类精度。     

基于K-medoids聚类的贝叶斯集成算法

朴素贝叶斯分类算法由于其计算高效在生活中应用广泛。本文根据集成算法的差异性特征,聚类算法聚类点的选择方式的可变性,提出了基于K-medoids聚类技术的贝叶斯集成算法,朴素贝叶斯的泛化性能得到了提升。首先,通过样本集训练出多个朴素贝叶斯基分类器模型;然后,为了增大基分类器之间的差异性,利用K-medoids算法对基分类器在验证集上的预测结果进行聚类;最后,从每个聚类簇中选择泛化性能最佳的基分类器进行集成学习,最终结果由简单投票法得出。将该算法应用于UCI数据集,并与其他类似算法进行比较可得,本文提出的基于K-medoids聚类的贝叶斯集成算法(NBKME)提高了数据集的分类准确率。     

基于改进的半监督主动学习的雷达信号识别

为解决在雷达信号分类识别过程中训练样本较少的问题,本文提出了联合主动学习和半监督学习,并对其伪标记样本进行迭代验证改进的分类算法。针对复杂的电磁环境下雷达信号识别率低的问题,本文将径向高斯核时频分析应用于雷达信号,并对时频分布进行奇异值分解,提取出奇异向量作为雷达信号识别的特征参数。针对传统的半监督主动学习算法的不足,利用改进的半监督主动学习算法构建分类器,该算法通过对伪标记样本进行迭代验证来提高伪标记信息的准确性,从而改善了最终的分类性能,实现了在可获取的有标签样本数量较少的条件下对雷达信号的高概率识别。仿真结果表明,本文提出的特征识别方法可以获得较高的识别率。      

基于鲸鱼优化算法的贝叶斯分类器研究与应用

朴素贝叶斯分类器的条件独立性这一假设称为“朴素贝叶斯假设”,其限制了朴素贝叶斯分类的适用范围和分类准确率,为了解决问题,本文提出用改进的鲸鱼优化算法来优化朴素贝叶斯分类器,并对算法进行应用研究。改进的鲸鱼优化算法使用禁忌搜索机制来跳出算法寻优时候易陷入局部最优的误区。为了削弱朴素贝叶斯分类器独立性假设,通过改进的鲸鱼优化算法自动搜索分类器的属性全局性权值,从而提升了加权贝叶斯分类器的运算的准确率。试验证明,相比较传统的朴素贝叶斯分类算法,本文优化后的加权贝叶斯分类算法具有更精准的分类结果。最后提出将改进后的属性加权贝叶斯分类器应用到“移动云”建设的方案。     

基于改进TSVM的通信辐射源个体识别

为了解决通信辐射源个体中标签获取难问题,引入半监督机器学习理论,提出了一种基于预测置信度进行迭代的半监督学习算法(Improved Transductive Support Vector Machine Iterative Algorithm Based on the Confidence of Prediction,CP-TSVM)。该方法在TSVM算法的基础上,充分利用无标签样本,根据预测结果置信度进行迭代,能够大幅度减少分类器的运算量。计算机仿真表明,在有标签样本数目占总样本2%的情况下,CP-TSVM较TSVM算法在保证识别准确率的同时,模型训练时间缩短近60 s。     

基于读者视角的文本情感分类

从读者的角度对文本情感进行分类.训练样本集以新闻文章作为样本实例,以文章后读者的投票信息作为样本类别标注的先验知识.针对该不完备的数据集提出了一种半监督学习的分类模型,分类方法采用朴素贝叶斯分类法和EM算法相结合.实验证明该方法不仅简单有效,而且具有较高的分类性能.     

基于聚类核函数的最小二乘支持向量机高光谱图像半监督分类

针对大规模的高光谱数据分类,为了利用未标签样本所含信息,来提升分类器性能,提出了一种半监督分类算法。该算法根据聚类假设,即属于同一类地物的样本点在聚类中被分为同一类的可能性较大的原则来改进核函数,采用基于光谱角度量的K均值聚类算法对样本集进行聚类,根据多次聚类的结果,构造包袋核函数,然后利用加法和乘法运算将包袋核函数和RBF核函数组合成新的核函数,从而把未标签样本信息融入分类器。而且采用最小二乘支持向量机,将标准支持向量机的二次规划问题转换为求解线性方程组的问题。高光谱实测数据实验表明了本文方法的优越性。      

面向非均衡类别的半监督辐射源识别方法

针对辐射源个体识别(SEI)中样本标签不完整和数据类别分布不平衡导致分类准确率下降的问题,该文提出了一种基于代价敏感学习和半监督生成式对抗网络(GAN)的特定辐射源分类方法。该方法通过半监督训练方式优化生成器和判别器的网络参数,并向残差网络中添加多尺度拓扑模块融合时域信号的多维分辨率特征,赋予生成样本额外标签从而直接利用判别器完成分类。同时设计代价敏感损失缓解优势样本导致的梯度传播失衡,改善分类器在类不平衡数据集上的识别性能。在4类失衡仿真数据集上的实验结果表明,存在40%无标记样本的情况下,该方法对于5个辐射源的平均识别率相比于交叉熵损失和焦点损失分别提高5.34%和2.69%,为解决数据标注缺失和类别分布不均条件下的特定辐射源识别问题提供了新思路。      

一种增强差异性的半监督协同分类算法

半监督学习中的Tri-Training算法打破了以往算法对充分冗余视图的限制,并通过利用三个分类器处理标记置信度和样本预测问题提高了标记效率.为进一步增强协同训练过程中分类器之间的差异性以提高性能,本文在其理论基础上提出了一种增强差异性的半监督协同分类算法.该算法利用三个不同的分类器进行学习;考虑到分类模型在更新过程中,可能会因随机抽样导致性能恶化,该算法利用基于标记类别的分层抽样法来对已标记样本集进行抽样,并通过基于分类正确率的加权投票法实现了分类器的集成,提高了预测准确率.本文通过实验对所提出算法与Tri-Training算法做了性能比较,实验结果表明本文所提出的方法在分类问题上具有较好的性能,验证了该算法的有效性和可行性.     

面向非均衡数据类的朴素贝叶斯改进算法

针对朴素贝叶斯分类器存在对非均衡样本分类时,易将少数类样本分到多数类的问题,利用感受性曲线的性质和深度特征加权的思想,提出一种面向非均衡数据类的朴素贝叶斯加权算法(DA-WNB)。为了验证该算法对不平衡数据分类的有效性,实验结果以AUC、真正类率、整体精度为指标,仿真结果表明,该算法能提高少数类分类准确率(最高达60%),且能保持较高的整体精度。     

一种基于半监督学习的弹道目标识别方法

常规反导目标识别系统多依赖于先验知识与一定规模的样本,然而,由于弹道导弹发射事件具有偶发性强、非合作性强等特点,弹道目标样本积累困难,已积累的观测数据也难以进行准确的类别标定。因此,弹道目标识别系统通常研发周期较长、开发代价巨大。针对该问题,将半监督学习算法引入弹道目标识别分类器设计,以降低常规分类识别方法对样本规模的要求。进一步地,针对弹道目标特征分布未知的情况,设计一种TSVM-MKL分类器实现对半监督学习中假设模型的自适应调整。数据验证结果表明,该算法能在“极小”标定样本识别情景下仍能取得良好的分类识别效果,具有良好的工程应用价值。     

基于半监督矩形网络的通信电台个体识别

通信电台信号的小样本条件造成了电台个体识别准确性欠佳的问题,本文首次提出基于半监督矩形网络进行通信电台个体识别,克服小样本条件对电台个体识别效果的影响.首先提取电台信号的矩形积分双谱特征,人为注入噪声构成污染样本,在半监督矩形网络编码器中有监督训练,其训练结果通过网络径向连接传给解码器,解码器再无监督学习,重构未污染的原始样本,从网络顶层提取电台个体特征,输入softmax分类器实现分类识别.在实际采集的电台数据集上的实验结果说明,本算法在小样本条件下相比现有算法能更准确识别同型号的电台个体.     

一种基于证据理论的多类半监督分类算法

为了提高多类半监督分类的性能,提出了一种基于证据理论的多类协同森林算法（DSM-Co-Forest）.首先,通过"多对多"模式将有标记的多类数据随机拆分为多个二类数据集,并以此训练二类基分类器;然后,利用多个基分类器同时对未标记样本进行预测,并利用证据组合算法挑选出可信度较高的未标记样本;最后,将高可信度的未标记样本加入到原训练样本中,以迭代更新其他的基分类器,从而提高分类器的整体性能.通过在一些公共数据集上进行实验,并与其他半监督分类算法进行对比,验证了所提算法的可行性和有效性.     

基于半监督联合神经网络的调制识别算法

针对基于有监督学习通信信号分类算法需要大量有标签训练样本,而在实际场合大多无法满足数量要求的问题,提出利用数据驱动模型的半监督学习方法,通过对比预测编码无监督算法预训练和有监督学习相结合,利用LSTM (long short term memory)和ResNet (residual network)联合神经网络实现小样本自动提取特征,提高小样本条件下信号识别准确率。在真实通信调制信号集上实验表明,半监督联合神经网络结构较以往方法,识别准确率提升3%-20%,小样本条件下性能提高60%,同时在低信噪比条件下识别能力突出,0dB时对11种调制信号平均识别正确率达到92%,具有明显优势。      

半监督空谱局部判别分析的高光谱影像特征提取

为充分利用高光谱影像中蕴含的空谱特征,提出了一种半监督空谱局部判别分析的高光谱影像特征提取算法（S4LFDA）。鉴于高光谱数据集具有空间一致性,首先将像元进行空间重构,保存高光谱数据的近邻关系;其次引入光谱信息散度重构像元间的相似度;为了充分利用大量无标签样本提高算法性能,采用模糊C均值聚类算法对样本进行聚类分析得到伪标签;然后通过增加规范化项到局部力导引算法（FDA）的类内散度矩阵和类间散度矩阵中,以此保持无标签样本的聚类结构一致性;最后通过局部FDA算法来保持有标签样本类间散度最大化和类内散度最小化并求解最佳投影向量。S4LFDA算法既保持了数据集在光谱域的可分性,又保持了像元在空间区域内的近邻关系,合理利用有标签样本及无标签样本,提高了算法的分类性能。在Pavia University和Indian Pines数据集上进行实验,总体分类精度达到95.60%和94.38%。与其他维数约简算法相比,该算法有效提高了地物分类性能。     

用于阿尔茨海默症分类的模糊逻辑特征选择和异质集成学习方法

阿尔茨海默症(AD)分类有助于在AD早期阶段及时采取针对性的治疗和干预措施,对降低老年群体的AD发病率和延缓AD疾病进展具有重要意义.该文提出一种改进的高斯模糊逻辑特征选择方法,首先采用互信息量和方差齐性分析两种方法给出特征重要性评分并分别进行归一化,然后使用改进的高斯模糊逻辑方法对其加权得到最终的特征重要性评分,最后依据特征重要性评分选取特征.该文还使用逻辑回归、随机森林、LightGBM、支持向量机和深度前馈网络作为初级分类器,多项式朴素贝叶斯分类器作为次级分类器,构建异质集成分类器,利用选取的特征进行AD分类.在TADPOLE数据集上进行实验,实验结果证实了所提特征选择方法是有效的,且采用所提特征选择方法,基于多项式朴素贝叶斯的异质集成分类器在AD分类上的性能要优于传统分类器.     

用于阿尔茨海默症分类的模糊逻辑特征选择和异质集成学习方法

阿尔茨海默症(AD)分类有助于在AD早期阶段及时采取针对性的治疗和干预措施,对降低老年群体的AD发病率和延缓AD疾病进展具有重要意义。该文提出一种改进的高斯模糊逻辑特征选择方法,首先采用互信息量和方差齐性分析两种方法给出特征重要性评分并分别进行归一化,然后使用改进的高斯模糊逻辑方法对其加权得到最终的特征重要性评分,最后依据特征重要性评分选取特征。该文还使用逻辑回归、随机森林、LightGBM、支持向量机和深度前馈网络作为初级分类器,多项式朴素贝叶斯分类器作为次级分类器,构建异质集成分类器,利用选取的特征进行AD分类。在TADPOLE数据集上进行实验,实验结果证实了所提特征选择方法是有效的,且采用所提特征选择方法,基于多项式朴素贝叶斯的异质集成分类器在AD分类上的性能要优于传统分类器。     

集成分类对比:Bagging NB & Boosting NB

Bagging和Boosting是两种重要的投票分类算法,前者并行生成多个分类器,后者通过调整样本权重,串行生成多个分类器.将Bagging与Boosting算法与朴素贝叶斯算法相集成,构建了Bagging NB和AdaBoosting NB算法.以UCI数据集为基础,进行实验对比,结果表明,Bagging NB算法较为稳定,可以产生优于NB算法的分类结果,而Boosting算法受到数据分布中的奇异值影响较大,部分数据集上与NB算法的基础效果较差.