| 基于统计证据的半监督多分类器融合方法 |
| |
| 引用本文： | 孔志周,蔡自兴.基于统计证据的半监督多分类器融合方法[J].控制与决策,2011,26(11):1616-1620. |
| |
| 作者姓名： | 孔志周 蔡自兴 |
| |
| 作者单位： | 1. 中南大学信息科学与工程学院,长沙410083／湖南大学金融与统计学院,长沙410079
2. 中南大学信息科学与工程学院,长沙,410083 |
| |
| 基金项目： | NSFC重大专项基金项目(90820302); 湖南大学青年基金项目(0723);湖南大学中央高校基本科研业务费专项资金项目(54) |
| |
| 摘 要： | 针对半监督学习中未标记示例导致性能下降的问题,提出一种新的协同训练算法LDL-tri-training.首先通过最小显著性差异（LSD）假设检验方法使得3个成员分类器两两之间具有显著性差异;然后采用D-S证据理论提高标注的稳定性;最后利用局部异常因子检测算法剔除误标记的噪声样本.实验表明,与其他方法相比,LDL-tri-training算法具有较高的分类精度和稳定性.
|
| 关 键 词： | 半监督 协同训练 最小显著性差异 统计证据 局部异常因子检测算法 |
| 收稿时间： | 2010/7/15 0:00:00 |
| 修稿时间： | 2011/1/27 0:00:00 |
Study on semi-supervised ensemble multiple classifiers based on statistical evidence |
| |
| KONG Zhi-zhou,CAI Zi-xing.Study on semi-supervised ensemble multiple classifiers based on statistical evidence[J].Control and Decision,2011,26(11):1616-1620. |
| |
| Authors: | KONG Zhi-zhou CAI Zi-xing |
| |
| Affiliation: | KONG Zhi-zhou1,2,CAI Zi-xing1(1.College of Information Science and Engineering,Central South University,Changsha 410083,China,2.College of Finance and Statistics,Hu'nan University,Changsha 410079,China.) |
| |
| Abstract: | For the performance degradation of unlabeled data in semi-supervised learning,a new cooperative training algorithm,LDL-tri-training,is proposed.Firstly,by using least significant difference(LSD) hypothesis testing method,significant differences among three classifiers are tested.Then a D-S evidence theory is adopted to improve the stability of unlabeled data.Finally,local outlier factor(LOF) algorithm is used to reject error labeled data.Experiments show that LDL-tri-training can more effectively and stably... |
| |
| Keywords: | semi-supervised cooperative training least significant difference statistical evidence local outlier factor algorithm |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
| 点击此处可从《控制与决策》浏览原始摘要信息 |
|
点击此处可从《控制与决策》下载全文 |
|
