本文關(guān)鍵詞： 圖的半監(jiān)督分類 測(cè)地距離 局部和全局一致性算法 K均值聚類　出處：《陜西師范大學(xué)》2012年碩士論文　論文類型：學(xué)位論文

【摘要】：在機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域,半監(jiān)督學(xué)習(xí)越來越受到科研人員的關(guān)注,逐步成為當(dāng)前的研究熱點(diǎn)。半監(jiān)督學(xué)習(xí)中,半監(jiān)督分類利用大量非標(biāo)簽數(shù)據(jù)輔助少部分標(biāo)簽數(shù)據(jù)進(jìn)行監(jiān)督學(xué)習(xí),從而提高分類的性能�；趫D的半監(jiān)督分類是現(xiàn)在研究較多的方法,該類方法具有較好的分類性能。然而基于圖的方法計(jì)算復(fù)雜度比較高,當(dāng)圖規(guī)模比較大時(shí),需要的時(shí)間和存儲(chǔ)代價(jià)都非常大,而且基于圖的方法都是直推式的,對(duì)新數(shù)據(jù)無法進(jìn)行分類,這在一定程度上限制了基于圖的方法使用。本文主要針對(duì)基于圖的半監(jiān)督分類存在的這些問題,進(jìn)行了分析與研究。 本文主要針對(duì)基于局部和全局一致性算法進(jìn)行研究,該算法的基本思想是基于已標(biāo)記樣本和未標(biāo)記樣本建立一個(gè)圖,用邊的權(quán)重來表示樣本之間的相似度,然后讓每個(gè)樣本的標(biāo)記信息迭代地向其鄰近樣本傳播,直到達(dá)到全局穩(wěn)定狀態(tài),該方法直觀、靈活,但是計(jì)算復(fù)雜度大,且無法對(duì)新數(shù)據(jù)進(jìn)行分類。本文針對(duì)該算法存在的不足之處進(jìn)行了改進(jìn),應(yīng)用于圖像分類中,并和其他方法進(jìn)行了比較與分析。本文的研究工作主要包括以下幾方面： (1)介紹了圖像分類的相關(guān)理論,半監(jiān)督學(xué)習(xí)的基本理論,當(dāng)前國(guó)內(nèi)外研究現(xiàn)狀,且對(duì)半監(jiān)督學(xué)習(xí)中基于圖的方法所涉及的理論基礎(chǔ)、研究現(xiàn)狀以及該方法中所存在的問題和難點(diǎn)進(jìn)行了綜述,對(duì)半監(jiān)督學(xué)習(xí)的主要應(yīng)用進(jìn)行了闡述,并且重點(diǎn)介紹了基于局部和全局一致性算法。 (2)針對(duì)圖像提出了一種基于圖的半監(jiān)督分類方法,該方法對(duì)圖的相似矩陣的度量方法進(jìn)行了改進(jìn),使用更能準(zhǔn)確地反映樣本間拓?fù)浣Y(jié)構(gòu)的測(cè)地距離對(duì)相似矩陣進(jìn)行度量,并且運(yùn)用了復(fù)合核的策略,結(jié)合了圖像的譜信息和空間信息,進(jìn)而使算法的分類性能有所提高。實(shí)驗(yàn)結(jié)果表明,采用該算法較之于原算法,獲得了更好的分類性能。 (3)為解決基于圖的半監(jiān)督分類算法的計(jì)算復(fù)雜度比較高和對(duì)新數(shù)據(jù)無法分類的問題。本文提出了一種將K均值算法和基于圖的方法相結(jié)合的分類算法,利用已標(biāo)記樣本的標(biāo)簽信息,通過K均值方法獲取更多的已標(biāo)記信息,減少基于圖方法迭代過程的迭代次數(shù),從而降低了圖方法的計(jì)算復(fù)雜度；算法最終確定的類中心解決了基于圖的分類算法無法對(duì)新數(shù)據(jù)進(jìn)行分類的問題,增強(qiáng)了其對(duì)新數(shù)據(jù)分類的擴(kuò)展性；通過設(shè)置參數(shù)取值的實(shí)驗(yàn)結(jié)果分析,找出了參數(shù)的最佳取值范圍。實(shí)驗(yàn)結(jié)果表明,提出的算法在計(jì)算效率和分類正確率方面有明顯的提高。
[Abstract]:In the field of machine learning and data mining, semi supervised learning has attracted more and more attention by the researchers, has gradually become a research hotspot. In semi supervised learning, semi supervised classification using large amounts of unlabeled data auxiliary part of unlabeled data for supervised learning, so as to improve the performance of classification. Graph based semi supervised classification is now on many methods, the method has good classification performance. However, the method based on the computational complexity is relatively high, when the graph size is large, the time and cost of storage are very large, and graph based methods are direct push, the new data can not be classified, which limits the use of a graph based approach to a certain extent. This paper mainly aimed at the existing semi supervised classification based on these problems, are analyzed and studied.
This paper studies the local and global consistency algorithm based on the basic idea of the algorithm is the labeled samples and unlabeled samples is established based on a graph, with edge weights representing the similarity between the samples, and then let the mark information iteration of each sample to its adjacent sample transmission, until it reaches the global stable state. This method is intuitive, flexible, but large computational complexity, and unable to classify new data. Aiming at the disadvantage of this algorithm is improved and applied to image classification, and other methods of comparison and analysis. The main research work of this paper includes the following aspects:
(1) introduces the related theory of image classification, semi supervised learning basic theory, the current research status at home and abroad, and the theoretical basis to the semi supervised graph based methods of study, research status and existing problems and difficulties in the method are reviewed, the main application of semi supervised learning is discussed, and emphatically introduces the local and global consistency based algorithm.
(2) the image presents a semi supervised classification method based on graph method, the method of similarity measure matrix diagram is improved, using a more accurate reflection of the sample geodesic topological structure of distance matrix of similarity measure, and using the compound nuclear strategy, combined with spectral information and the spatial information of the image, so that the algorithm improves the performance of the classification. The experimental results show that using this algorithm compared with the original algorithm to get better classification performance.
(3) to solve the calculation of semi supervised classification algorithm based on graph complexity is relatively high and the new data to the classification problem. This paper proposes a K means algorithm and graph method based on the combination of classification algorithm, using the labeled sample label information, to obtain more labeled information by K means method to reduce the number of iteration method based on iterative process, thus reducing the computational complexity of the algorithm graph method; final class center to solve the classification algorithm based on graph cannot be classified by the new data, enhance its expandability to new data classification; through the experiment analysis of the parameters and find out the optimal range of parameters. The experimental results show that the proposed algorithm in computational efficiency and classification accuracy can be improved significantly.

【學(xué)位授予單位】：陜西師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2012
【分類號(hào)】：TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 佘鋒;王小玲;;基于半監(jiān)督學(xué)習(xí)的網(wǎng)絡(luò)流量分類[J];計(jì)算機(jī)工程;2009年12期

2 梁吉業(yè);高嘉偉;常瑜;;半監(jiān)督學(xué)習(xí)研究進(jìn)展[J];山西大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年04期

3 汪春亮;伏玉琛;;一種針對(duì)非平衡數(shù)據(jù)的貝葉斯分類算法[J];計(jì)算機(jī)工程與科學(xué);2010年07期

4 高恒振;萬建偉;許可;錢林杰;;基于聚類核函數(shù)的最小二乘支持向量機(jī)高光譜圖像半監(jiān)督分類[J];信號(hào)處理;2011年02期

5 陳詩(shī)國(guó);張道強(qiáng);;半監(jiān)督降維方法的實(shí)驗(yàn)比較[J];軟件學(xué)報(bào);2011年01期

6 李妍妍;李媛媛;葉世偉;;基于流形正則化的支持向量回歸及應(yīng)用[J];計(jì)算機(jī)應(yīng)用;2007年08期

7 李永忠;王汝山;張念貴;王玉雷;;基于半監(jiān)督模糊聚類的入侵檢測(cè)技術(shù)[J];江蘇科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年04期

8 傅向華,馮博琴,馬兆豐,何明;可在線增量自學(xué)習(xí)的聚焦爬行方法[J];西安交通大學(xué)學(xué)報(bào);2004年06期

9 丁磊,錢云濤;不同程度的監(jiān)督機(jī)制在自動(dòng)文本分類中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用與軟件;2004年06期

10 張晨光;李玉擰;;基于半監(jiān)督學(xué)習(xí)的眉毛圖像分割方法[J];計(jì)算機(jī)工程與應(yīng)用;2009年21期

相關(guān)會(huì)議論文 前10條

1 陳勁松;邵蕓;董慶;王長(zhǎng)林;;全極化SAR數(shù)據(jù)信息提取研究[A];第十四屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2003年

2 谷方明;劉大有;王新穎;;基于半監(jiān)督學(xué)習(xí)的加權(quán)支持向量域數(shù)據(jù)描述方法[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集(B輯)[C];2010年

3 楊源;馬云龍;林鴻飛;;基于權(quán)重標(biāo)準(zhǔn)化SimRank與半監(jiān)督學(xué)習(xí)的產(chǎn)品屬性歸類[A];中國(guó)計(jì)算語言學(xué)研究前沿進(jìn)展（2009-2011）[C];2011年

4 朱松豪;梁志偉;;用半監(jiān)督學(xué)習(xí)方法實(shí)現(xiàn)圖像檢索[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

5 邱慧寧;黃劍;陳羽;賴劍煌;;基于UDP的半監(jiān)督學(xué)習(xí)及其在人臉識(shí)別的應(yīng)用[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

6 高炳浩;曲會(huì)霞;;基于遙感影像數(shù)據(jù)的土地動(dòng)態(tài)監(jiān)測(cè)[A];吉林省測(cè)繪學(xué)會(huì)2008年學(xué)術(shù)年會(huì)論文集（下）[C];2008年

7 畢錦煙;李巍華;;基于半監(jiān)督模糊核聚類的齒輪箱早期故障檢測(cè)方法[A];第九屆全國(guó)振動(dòng)理論及應(yīng)用學(xué)術(shù)會(huì)議論文摘要集[C];2007年

8 柳斌;李之棠;涂浩;;一種基于半監(jiān)督學(xué)習(xí)的應(yīng)用層流量分類方法[A];2008年全國(guó)開放式分布與并行計(jì)算機(jī)學(xué)術(shù)會(huì)議論文集(下冊(cè))[C];2008年

9 袁金國(guó);;遙感影像監(jiān)督分類方法的應(yīng)用研究[A];科技、工程與經(jīng)濟(jì)社會(huì)協(xié)調(diào)發(fā)展——中國(guó)科協(xié)第五屆青年學(xué)術(shù)年會(huì)論文集[C];2004年

10 馬平燕;;基于ERDAS的土地利用監(jiān)督分類探討[A];江蘇省測(cè)繪學(xué)會(huì)2007'學(xué)術(shù)年會(huì)論文集[C];2008年

相關(guān)重要報(bào)紙文章 前5條

1 徐海;唐山銀監(jiān)分局五項(xiàng)措施力促農(nóng)信社貸款規(guī)范管理[N];金融時(shí)報(bào);2006年

2 李正法;提速提速再提速[N];中國(guó)國(guó)門時(shí)報(bào);2002年

3 李正法;我省構(gòu)筑出口果蔬菜安全網(wǎng)[N];江蘇經(jīng)濟(jì)報(bào);2002年

4 李正法;我省檢驗(yàn)檢疫為加快通關(guān)全力提速[N];江蘇經(jīng)濟(jì)報(bào);2002年

5 記者 李正法;江蘇建設(shè)出口果蔬菜安全網(wǎng)[N];中國(guó)國(guó)門時(shí)報(bào)(中國(guó)出入境檢驗(yàn)疫報(bào));2002年

相關(guān)博士學(xué)位論文 前10條

1 孔怡青;半監(jiān)督學(xué)習(xí)及其應(yīng)用研究[D];江南大學(xué);2009年

2 王嬌;多視圖的半監(jiān)督學(xué)習(xí)研究[D];北京交通大學(xué);2010年

3 蘭遠(yuǎn)東;基于圖的半監(jiān)督學(xué)習(xí)理論、算法及應(yīng)用研究[D];華南理工大學(xué);2012年

4 徐雪;樣本的幾何信息在半監(jiān)督學(xué)習(xí)中的應(yīng)用研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2010年

5 朱巖;面向文本數(shù)據(jù)的半監(jiān)督學(xué)習(xí)研究[D];北京交通大學(xué);2012年

6 任廣波;基于半監(jiān)督學(xué)習(xí)的遙感影像分類技術(shù)研究[D];中國(guó)海洋大學(xué);2010年

7 桂杰;基于圖的半監(jiān)督學(xué)習(xí)和維數(shù)約簡(jiǎn)方法及其應(yīng)用研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2010年

8 劉志剛;支撐向量機(jī)在光譜遙感影像分類中的若干問題研究[D];武漢大學(xué);2004年

9 潘俊;基于圖的半監(jiān)督學(xué)習(xí)及其應(yīng)用研究[D];浙江大學(xué);2011年

10 趙志凱;半監(jiān)督學(xué)習(xí)及其在煤礦瓦斯安全信息處理中的應(yīng)用研究[D];中國(guó)礦業(yè)大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 楊偉;基于半監(jiān)督學(xué)習(xí)的遙感影像分類[D];上海交通大學(xué);2010年

2 李亞娥;基于圖的半監(jiān)督分類算法研究[D];陜西師范大學(xué);2012年

3 許震;基于KL距離的半監(jiān)督分類算法[D];復(fù)旦大學(xué);2010年

4 黃榮清;基于稀疏高斯過程回歸的半監(jiān)督分類的序貫訓(xùn)練方法[D];華東師范大學(xué);2012年

5 陳新勇;基于核策略的半監(jiān)督學(xué)習(xí)方法研究[D];河北大學(xué);2010年

6 黃明明;半監(jiān)督學(xué)習(xí)方法研究及在警用平臺(tái)中的應(yīng)用[D];大連理工大學(xué);2010年

7 馮元佶;基于圖的半監(jiān)督學(xué)習(xí)的改進(jìn)研究[D];湘潭大學(xué);2010年

8 余養(yǎng)強(qiáng);半監(jiān)督學(xué)習(xí)若干問題的研究[D];福建師范大學(xué);2010年

9 劉偉濤;半監(jiān)督學(xué)習(xí)方法及應(yīng)用研究[D];山東大學(xué);2011年

10 楊偉;半監(jiān)督學(xué)習(xí)方法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2011年

，

本文編號(hào)：1468202