学位论文 > 优秀研究生学位论文题录展示
半监督支持向量机学习方法研究
作 者: 唐超
导 师: 王文剑
学 校: 山西大学
专 业: 系统工程
关键词: 支持向量机 支持向量回归机 半监督学习 Co-training Co-SVR算法 差异性度量
分类号: TP18
类 型: 硕士论文
年 份: 2009年
下 载: 118次
引 用: 0次
阅 读: 论文下载
内容摘要
支持向量机(Support Vector Machine,SVM)是一种有监督的通用高效机器学习方法,目前在许多领域得到成功的应用,然而对于一些实际的机器学习和数据挖掘问题如网页分类、医疗诊断、垃圾邮件过滤、图像处理等,很难得到大量的有标记训练示例,可用的往往是大量的无标记示例,用SVM来求解这类问题并不能发挥其优势。这类问题常常通过半监督学习(Semi-supervised Learning)方法如协同训练(Co-training)、直推学习(Transductive Learning)等技术来解决,因此将SVM与半监督学习方法相结合是一个值得深入研究的方向。本文将SVM与半监督学习方法相结合并以协同训练技术为基础,提出了一种基于差异性度量的协同回归支持向量机训练算法,称为协同支持向量回归机(Co-training Support Vector Regression,Co-SVR)。本文的研究工作主要包括以下内容:(1)对半监督学习方法进行了系统的分析,并介绍了几种经典的半监督学习方法。(2)提出了一种基于差异性度量的协同回归支持向量机训练算法,同时提出协同训练中同质学习器和异质学习器差异性度量方法,使协同训练的两个学习器能保证获得良好的泛化性能,并具有较高的协同训练效率。(3)在标准数据集、UCI数据集和真实的空气质量数据集上对本文提出的学习算法进行了验证,获得了良好的预测结果。本文提出的基于差异性度量的协同回归支持向量机训练算法,将机器学习中强大的学习方法SVM与半监督学习技术相结合,拓展了SVM的应用领域,所取得的研究成果不仅丰富了SVM的理论和方法研究,而且对于实际问题具有直接的应用价值。
|
全文目录
相似论文
- 基于SVM的常压塔石脑油干点软测量建模研究,TE622.1
- 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
- 基于PCA-SVM的液体火箭发动机试验台故障诊断算法研究,V433.9
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 音乐结构自动分析研究,TN912.3
- 基于三维重建的焊点质量分类方法研究,TP391.41
- 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
- 应用层协议识别和还原方法的研究与实现,TP393.08
- 人类抗原肽载体结合力预测,R392.1
- 基于半监督模糊聚类的入侵防御技术研究,TP393.08
- 李群深层结构学习算法研究,TP181
- 手背静脉图像的分类和匹配技术研究,TP391.41
- 军事港口目标分类平台的设计与实现,TP751
- 基于支持向量机的胎面胶损耗因子优化,U463.341
- 基于支持向量机方法的工程围岩变形预测研究,TV223.1
- 非汛期水库群协同优化调度与应用研究,TV697.11
- 最小二乘支持向量机建模及预测函数控制问题研究,TP13
- 基于ANN和SVM的三峡水库香溪河库湾富营养化预测研究,X832
- 基于专利分析的技术成熟度预测方法研究与实现,G306
- 机器学习在球墨铸铁蠕化率问题的应用研究,TG143.5
- 基于激光检测数据的路面破损分类识别,TN247
中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论
© 2012 www.xueweilunwen.com
|