基于半监督拉普拉斯适应实验设计的图像分类

基于流形学习理论,通过改变权值的设置将类别信息加到图构造过程中,提出一种新的主动学习算法.在3个真实图像数据集上的实验结果表明,新算法能够取得较好的图像分类效果.     

基于距离自适应的高效灵活光网络虚拟化映射启发式算法研究

提出了一种基于距离自适应的灵活光网路虚拟化映射算法及其改进算法。各种仿真结果表明,可以较好地解决网络虚拟化映射问题,本算法及其改进算法可以取得较低的网络阻塞率和较高的资源利用效率,效果令人满意。     

基于主动学习的半监督谱聚类算法研究

谱聚类在近年来得到了广泛的应用,而将谱聚类和半监督集群结合的方法通过使用约束改善结果来提高谱聚类的有效性.文章通过选择主动学习方法,提出了一种基于主动学习的半监督谱聚类算法.首先,利用邻域中包含的信息来确定要查询的数据,由于邻域信息只反映局部信息,因此,又引入与目标不太相似的数据点,这些数据点代表全局信息,得到Must-link(正关联)成对约束集和Cannot-link(负关联)成对约束集.然后,对得到的成对约束再通过k-means聚类得到聚类结果.最后,通过在合成数据集以及UCI数据集的对比实验表明文章算法的有效性,通过较小的主动选择成对约束来获得更好的性能.     

基于K-means和Label Propagation的半监督网页分类

提出基于图的半监督学习算法,即类别传播算,结合K均值算法改进,用于网页分类。该K均值类别传播方法使用欧式距离的建立带权∈NN图。在这个图中,图节点表示已标记或未标记的网页,边上的权重表示节点的相似度,已标记节点的类别沿着边向邻居节点传播,从而将网页分类问题形式化为类别在图上的传播。结合K均值方法,提高了计算速度以及图方法的归纳能力,经UCI数据集测试,结果表明,此算法比类别传播算法有更好的性能,能够有效地用于半监督网页分类。     

基于半监督判别分析的语音情感识别(英文)

将基于多个嵌入图组合形式的半监督判别分析(SDA)以及核SDA(KSDA)应用于全监督的语音情感识别.在语音信号样本情感成分的预处理阶段,从样本语段中提取出多种特征及其统计参数,包括基音、过零率、能量、持续长度、共振峰和MFCC(Mel频率倒谱系数).在将样本特征送入分类器之前的维数约简阶段,使用经过参数优化的SDA或KSDA进行降维.Berlin语音情感数据库上的实验表明,在使用多类SVM分类器时的全监督语音情感识别中,SDA优于其他一些先进的基于谱图学习的维数约简算法,如LDA,LPP,MFA等,而KSDA通过核化的数据映射,能够取得比上述所有算法更好的识别效果.     

基于半监督学习与CRF的应急预案命名实体识别

传统基于统计的命名实体识别方法存在需要大量人工标注的缺陷,导致识别准确率较低。为了提升识别效果,提出一种基于条件随机场的半监督学习方法（S-CRF）对命名实体进行识别。该方法将实体识别看作序列标注问题,对少量数据进行人工标注并构建实体集,通过K-means聚类算法选取有代表性的未标注数据文本进行自动标注,采用条件随机场对语料进行训练测试。选取中文应急预案文档进行实验,该方法在各个标签上的识别效果分别达到93.52%、93.04%、95.81%。实验结果表明,该方法优于传统规则方法,能有效提高应急预案命名实体的识别效果。     

无标记数据学习及其在图像检索中的应用

机器学习的应用中,通常存在大量的未标记示例,对这些数据进行标记是昂贵和耗时的。与传统的监督学习不同,基于无标记数据的学习能同时在少量的已标记数据和大量的未标记数据上进行学习,从而提高学习的性能,已成为目前机器学习领域中的一个研究热点。分析了基于无标记数据的学习适用基于内容的图像检索的原因,并阐述了相关研究的进展情况。     

一种基于半监督模糊聚类的人脸识别方法

人脸识别技术是图像处理方面的重要技术。通过对人脸数据进行标准化处理,利用主成分分析和半监督模糊聚类算法对人脸数据库进行聚类分析。实验结果表明,半监督模糊聚类利用主成分降维得到的22个特征进行聚类,对于已知类别属性的人脸,聚类结果与这些属性的一致率达100%,而对于其他数据,一致率也达到99%以上。     

一种半自适应的盲数字水印新算法

本文分析了目前数字水印技术所采用算法的特点,提出了一种能够将数字水印嵌入的图像中特定形状的算法,该算法可以有效地保护水印版权.实验证明,算法具有很高的安全性和稳健性,可以有效地抵抗多种信号处理攻击、压缩攻击.     

基于二维 PLA 的半监督动态人脸识别算法

提出一种结合二维PCA和二维LDA的降维方法,并将方法应用于人脸识别研究.对传统的半监督模糊聚类算法进行改造,使之可以直接用于二维数据矩阵进行动态聚类,并据此设计了一种动态学习算法.实验结果表明,与其他降维方法和聚类算法比较,这种结合了二维LDA的半监督聚类模型具有更好的识别率.     

基于特征族群语义扩散核的半监督农业文本分类

农业文本分类旨在对主流的农业信息网抽取的文本数据集进行分类.在样本充足的情形下,经典的支持向量机方法能取得较好的效果,然而在样本较少或者样本矩阵很稀疏的情形下效果较差.提出了一种基于特征族群语义扩散核(它是语义扩散核的一种)和支持向量机的半监督农业文本分类方法.该方法在经典的支持向量机方法基础上结合特征族群语义扩散核,使得农业文本分类准确率得到一个显著的提升,在训练集样本数量只有原来一半的数量情况下预测原来的测试样本,预测准确率几乎与原来的相同.     

人脑半监督的构造性学习方法

利用构造性学习(CML)算法训练分类器需要大量已标记样本,然而获取大量已标记的样本较为困难.为此,提出了一种人脑半监督的构造性学习算法(HPSS-CML).根据已标记样本,通过覆盖算法构造分类网络,对未标记样本进行有选择的标记,并将其加入训练集,调整分类网络参数.重复进行上述过程,直到没有新标记的样本为止,得到最终的分类器.测试阶段再次利用未标记样本对"拒认状态"的测试样本进行标记.最后选取UCI数据集进行实验,结果表明,与CML算法及Tri-CML算法相比,该方法的分类更为有效.     

欧几里得距离矩阵与半正定矩阵的关系

本文从半正定矩阵Ａｎ×ｎ满足Ａｘ０＝λｘ０，λ≥０，ｘ０＝ｅ／ｎ这个条件出发，讨论了欧几里得距离矩阵与半正定矩阵的关系，给出了判别一个欧几里得距离矩阵的充要条件     

基于标签传播的半监督社区发现算法研究

近年来,许多关于社区发现的优秀算法被提出并取得了较好的社区划分效果。但是到目前为止,没有任何一种算法能够同时在时间复杂度和准确度方面取得较好的表现。现实网络中往往存在一些有利于指导社区发现的标签信息,如must-link信息、cannot-link信息等。因此提出基于少量标签信息传播、拓扑结构的半监督社区发现算法S_LPA,分别在karate网络、dolphins网络、LFR基准网络上进行测试。实验结果表明,该算法S_LPA时间复杂度为O（m）,相对其它算法,S_LPA在karate网络和dolphins网络的NMI值高于CNM、InfoMap、LPA算法,在LRF网络上准确度高出约20%;提高参数u后,S_LPA算法可识别其它算法不能识别的社区结构。     

基于半监督模型的铝合金性能预测与成分设计

利用半监督机器学习模型,对铝合金的成分-屈服强度、成分-抗腐蚀性数据进行扩充。完成数据扩充后,使用得到的完整成分-屈服强度-抗腐蚀性数据进行有监督的机器学习模型训练。该机器学习模型既可根据铝合金成分预测其性能,也可以根据目标屈服强度和抗腐蚀性反向设计铝合金的成分。结果表明：模型依据铝合金成分预测的性能数据与真实数据相差不超过10%;且模型根据两种目标性能设计出的铝合金成分与真实铝合金成分非常相近,未来可以使用该方法设计具有高屈服强度与抗腐蚀性的新型铝合金。     

基于半监督与词向量加权的文本分类研究

针对文本分类领域的有监督学习往往需要大量精准标注样本但大量人工标注困难的问题,提出一种新型的半监督学习方式,通过协同训练合理使用大量未标记训练样本,通过添加不同分类的文本特征噪声解决传统协同半监督学习方法中模型参数趋于统一的问题,同时提高分类模型的分类能力。针对传统深度学习方法中文本特征权重一致导致的分类特异性特征不突出问题,在训练模型中加入 self-attention 机制对文本句子特征权重进行提取,并通过句子加权方式突出特异性分类特征。实验结果表明,通过半监督学习方式同时使用少量已标注数据进行训练,模型能够达到 91.4%的准确率,召回率达到 84.3%,与有监督训练方式的分类准确能力相近,从而解决大量人工标注问题,具有一定的使用价值。     

语义网中基于Kullback-Leibler距离的本体映射方法

提出了一种基于Kullback-Leibler(KL)距离的本体映射方法.该方法将本体中每个概念抽象为一个概率分布,并通过相应的实例数据对其进行估计;对于不同本体的2个概念,通过计算相应概率分布之间的KL距离而求得其相似度.进而求得本体间概念的映射关系.该方法与传统的方法相比,极大地降低了计算的复杂度,并且此算法针对不同的数据类型提出了不同的概念分布的估计和平滑方法,所以能够适用于各种数值类型的概念映射.通过试验,证明了此方法的有效性.     

基于颜色的图像检索方法研究

图像的颜色特征相对于图像的其它特征而言具有较强的稳定性,因而在图像检索领域具有广泛的应用。在颜色直方图的基础上,研究了欧式距离法、直方图相交法和中心矩法3种图像匹配算法,并在VC++6.0平台上编程实现。实验结果表明,这3种方法都能达到较好的检索效果。     

基于角点LTS Hausdorff距离的图像配准技术

为了克服传统灰度图像配准方法计算量大、适应能力差等问题,研究了一种基于SIFT角点的图像配准方法。比较了常用的两种特征点提取算子——Harris角点算子和SIFT特征点提取算子,通过性能对比选择SIFT角点作为特征点。SIFT算子提取的特征点可能集中在某一个小区域,采用最大统计滤波对图像进行非最大抑制的方法来进行角点分布的控制。实验证明该方法可以获得的角点分布比较均匀;针对特征点的匹配,首先采用LTS Hausdorff距离进行特征点的初匹配,然后采用基于Sampson距离的随机抽样一致性算法去除伪匹配的特征点对。实验证明,该方法可以实现图像的精确配准。     

图像检索中基于最大信息获取量的主动学习算法

本文提出一种基于内容的图像中的主动学习算法. 首先用支撑向量机学习得到初始查询概念, 然后用相似性测度对其进行检验, 选取信息量最大的样本来请求用户标记, 最后在相关反馈的迭代优化过程中获取用户的图像查询概念. 算法通过支撑向量机二值分类器与相似性测度2种不同学习模型的融合, 来减轻它们各自所存在的模型偏置. 实验结果显示, 所提算法能够显著提高图像检索的精确度, 在少量的反馈迭代之后即能准确地获取目标概念.