学位论文 > 优秀研究生学位论文题录展示

基于主动学习的智能算法及其在模式分类中的应用

作　者: 徐冉冉
导　师: 李朝锋
学　校: 江南大学
专　业: 计算机软件与理论
关键词: 主动学习支持向量机非平衡二叉树模糊C均值聚类多类分类
分类号: TP181
类　型: 硕士论文
年　份: 2013年
下　载: 10次
引　用: 0次
阅　读: 论文下载

内容摘要

支持向量机是由Vpnik V等人在二十世纪九十年代提出来的，是一种统计学习理论的学习机制，具有很强的学习能力，以及很好的推广性，近几年被广泛应用于图像处理、数据挖掘、模式识别分类和回归分析等领域。在实际应用中，很容易获得大量的数据以及图片来做样本，但是这些数据或者图片往往是没有标签的，而且带标签的样本获得起来相对困难。如果要充分利用这些无标签的样本，则需要人工添加标签。如何减少人工添加样本标签的时间与代价，成为了研究热点，随着主动学习的提出，在支持向量机中加入了主动学习的思想有效地解决了该问题。另一方面，传统的支持向量机是做二类分类的，然而随着支持向量机在新的领域的不断应用，会发现很多实际问题都是多类分类问题，怎样将二分类支持向量机有效的推广到多类分类问题中，也成为了人们的研究焦点。分类器性能的好坏主要由分类准确率和训练速度确定，主动学习与多类分类思想的同时加入会带来一些令人满意的结果，首先，减少了训练样本，缩小代价；其次，又同时把二分类的问题推广到多类分类，加速支持向量机的分类速度的同时，提高分类准确率，使支持向量机更加良好的推广发展下去。本文主要的工作总结如下：(1)首先了解主动学习与多类分类支持向量机的研究现状及趋势，并重点对主动学习与多类分类的算法理论进行深入研究。(2)研究了一种通过类距离构造二叉树的非平衡主动学习支持向量机，从易到难依次进行分类。该方法不仅提高了训练速度，还有效减少了不可分区域，而且分类准确率得到了提高，并通过Iris数据集、Wine数据集、Satimage数据集以及遥感数据集的实验结果验证了该算法的性能优势。(3)通过对多类分类支持向量机以及二叉树支持向量机的进一步研究，本文又通过模糊C均值聚类的方法去构造二叉树，研究一种基于模糊C均值聚类的非平衡二叉树主动学习支持向量机。通过模糊C均值聚类算法找到最适合第一个分出来的类，以减少错误累积。该方法的分类准确率和训练速度也都得到了相应的提高，并通过Iris数据集、Wine数据集、Satimage数据集以及遥感数据集的实验结果验证了算法的良好性能。

全文目录

摘要  3-4
Abstract  4-5
目录  5-8
第一章绪论  8-14
  1.1 智能算法概述  8-9
    1.1.1 支持向量机研究现状  8-9
    1.1.2 模糊 C 均值聚类研究现状  9
  1.2 主动学习概述  9-10
  1.3 本文的研究意义  10-11
  1.4 论文研究的主要内容以及结构安排  11-14
第二章支持向量机与主动学习算法介绍  14-26
  2.1 统计学习理论  14-16
    2.1.1 函数集的 VC 维  14-15
    2.1.2 推广误差的界  15
    2.1.3 结构风险最小化(Structural Risk Minimization, SRM)  15-16
  2.2 支持向量机的算法原理  16-22
    2.2.1 最优超平面  17
    2.2.2 线性可分支持向量机  17-19
    2.2.3 线性不可分情况的处理  19-20
    2.2.4 非线性支持向量机  20-21
    2.2.5 SVM 分类器参数选择  21-22
  2.3 主动学习算法  22-24
    2.3.1 算法原理  22-23
    2.3.2 主动学习采样策略  23-24
    2.3.3 主动学习支持向量机(ASVM)的简单算法步骤  24
  2.4 本章小结  24-26
第三章非平衡二叉树主动学习支持向量机(NBT-ASVM)  26-42
  3.1 多类分类支持向量机  26-30
    3.1.1 一对多方法  27
    3.1.2 一对一方法  27-29
    3.1.3 有向无环图(Decision Directed Acyclic Graph, DDAG)方法  29
    3.1.4 二叉树方法  29-30
  3.2 非平衡二叉树主动学习支持向量机(NBT-ASVM)  30-32
    3.2.1 确定二叉树结构  30-31
    3.2.2 构造非平衡二叉树  31-32
    3.2.3 非平衡二叉树主动学习支持向量机的算法思想  32
    3.2.4 确定主动学习采样策略  32
    3.2.5 实验步骤  32
  3.3 实验结果分析  32-41
    3.3.1 Iris 数据实验结果与分析  33-34
    3.3.2 Wine 数据实验结果与分析  34-37
    3.3.3 Satimage 数据实验结果与分析  37-38
    3.3.4 遥感数据实验结果与分析  38-41
  3.4 本章小结  41-42
第四章基于模糊 C 均值聚类的非平衡二叉树主动支持向量机  42-56
  4.1 模糊 C 均值聚类算法  42-43
    4.1.1 模糊聚类  42
    4.1.2 模糊 C 均值聚类算法  42-43
  4.2 利用模糊 C 均值聚类算法构造二叉树  43-44
  4.3 模糊 C 均值聚类非平衡二叉树主动学习支持向量机  44-45
    4.3.1 本章算法的算法思想  44
    4.3.2 本章算法的实验步骤  44-45
  4.4 实验结果分析  45-54
    4.4.1 Iris 数据集的实验结果与分析  45-47
    4.4.2 Wine 数据集的实验结果与分析  47-49
    4.4.3 Satimage 数据集的实验结果与分析  49-51
    4.4.4 遥感数据集的实验结果与分析  51-54
  4.5 本章小结  54-56
主要结论与展望  56-57
  主要结论  56
  展望  56-57
致谢  57-58
参考文献  58-61
附录: 作者在攻读硕士学位期间发表的论文  61

基于主动学习的智能算法及其在模式分类中的应用

内容摘要

全文目录

相似论文