發(fā)布時(shí)間：2018-03-30 13:35

  本文選題：半監(jiān)督學(xué)習(xí)　切入點(diǎn)：圖模型　出處：《電子與信息學(xué)報(bào)》2017年04期

【摘要】：該文針對(duì)基于非負(fù)低秩稀疏圖的半監(jiān)督學(xué)習(xí)算法不能準(zhǔn)確地描述數(shù)據(jù)結(jié)構(gòu)的問(wèn)題,提出一種融合平滑低秩表示和加權(quán)稀疏約束的改進(jìn)算法。該算法分別對(duì)經(jīng)典算法的低秩項(xiàng)和稀疏項(xiàng)進(jìn)行改進(jìn),準(zhǔn)確地捕獲了數(shù)據(jù)的全局子空間結(jié)構(gòu)和局部線性結(jié)構(gòu)。在構(gòu)建目標(biāo)函數(shù)時(shí),使用對(duì)數(shù)行列式函數(shù)代替核范數(shù)平滑地估計(jì)秩函數(shù),同時(shí)利用形狀交互信息和有標(biāo)簽樣本的類(lèi)別信息構(gòu)造加權(quán)稀疏約束正則項(xiàng)。然后通過(guò)帶有自適應(yīng)懲罰的線性交替方向方法求解目標(biāo)函數(shù)并采用有效的后處理方法重構(gòu)數(shù)據(jù)的圖結(jié)構(gòu),最后利用基于局部和全局一致性的半監(jiān)督分類(lèi)框架完成學(xué)習(xí)任務(wù)。在ORL庫(kù),Extended Yale B庫(kù)和USPS庫(kù)上的實(shí)驗(yàn)結(jié)果表明,該改進(jìn)算法提高了半監(jiān)督學(xué)習(xí)的準(zhǔn)確率。
[Abstract]:In this paper, the semi-supervised learning algorithm based on non-negative low-rank sparse graph can not accurately describe the data structure. An improved algorithm combining smooth low rank representation and weighted sparse constraint is proposed, which improves the low rank and sparse terms of classical algorithms, respectively. The global subspace structure and local linear structure of the data are accurately captured. In constructing the objective function, the rank function is estimated smoothly by using the logarithmic determinant function instead of the kernel norm. The weighted sparse constrained regulars are constructed by using both the shape interaction information and the class information of labeled samples. Then the objective function is solved by linear alternating direction method with adaptive penalty and an effective post-processing method is adopted. Reconstructing the graph structure of the data, Finally, the semi-supervised classification framework based on local and global consistency is used to complete the learning tasks. The experimental results on ORL libraries extended Yale B and USPS show that the improved algorithm improves the accuracy of semi-supervised learning.
【作者單位】： 南京理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(61473154)~~
【分類(lèi)號(hào)】：TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉蓉;李紅艷;;半監(jiān)督學(xué)習(xí)研究與應(yīng)用[J];軟件導(dǎo)刊;2010年08期

2 陳武錦;;半監(jiān)督學(xué)習(xí)研究綜述[J];電腦知識(shí)與技術(shù);2011年16期

3 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

4 唐曉亮;韓敏;;一種基于極端學(xué)習(xí)機(jī)的半監(jiān)督學(xué)習(xí)方法[J];大連理工大學(xué)學(xué)報(bào);2010年05期

5 李歡;;半監(jiān)督學(xué)習(xí)及其在數(shù)據(jù)挖掘中的應(yīng)用[J];電腦知識(shí)與技術(shù);2010年27期

6 崔鵬;;一種用于半監(jiān)督學(xué)習(xí)的核優(yōu)化設(shè)計(jì)[J];軟件工程師;2013年09期

7 王艷華;楊志豪;李彥鵬;唐利娟;林鴻飛;;基于監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的蛋白質(zhì)關(guān)系抽取[J];江西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年04期

8 梅松青;;基于自適應(yīng)圖的半監(jiān)督學(xué)習(xí)方法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2014年02期

9 李燕萍;唐振民;丁輝;張燕;;半監(jiān)督學(xué)習(xí)機(jī)制下的說(shuō)話人辨認(rèn)算法[J];計(jì)算機(jī)工程;2009年14期

10 王勁松;陳哲;馮靜蘭;顧明亮;;半監(jiān)督學(xué)習(xí)對(duì)十個(gè)口述數(shù)字的識(shí)別[J];電聲技術(shù);2010年04期

相關(guān)會(huì)議論文 前10條

1 柳斌;李之棠;涂浩;;基于半監(jiān)督學(xué)習(xí)的應(yīng)用流分類(lèi)方法[A];2010年全國(guó)開(kāi)放式分布與并行計(jì)算機(jī)學(xué)術(shù)會(huì)議論文集[C];2010年

2 葛薦;馬廷淮;;基于集成算法的半監(jiān)督學(xué)習(xí)研究[A];第29屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（B輯）（NDBC2012）[C];2012年

3 趙玲玲;周水生;王雪巖;;基于集成算法的半監(jiān)督學(xué)習(xí)[A];第十四屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)(CCSP-2009)論文集[C];2009年

4 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

5 馮瑞;宋春林;;一種基于局部學(xué)習(xí)的復(fù)雜系統(tǒng)建模方法[A];2007中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2007年

6 陳耀東;王挺;陳火旺;;半監(jiān)督學(xué)習(xí)和主動(dòng)學(xué)習(xí)相結(jié)合的淺層語(yǔ)義分析[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

7 邱慧寧;黃劍;陳羽;賴(lài)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

8 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(lèi)[A];中國(guó)計(jì)算語(yǔ)言學(xué)研究前沿進(jìn)展（2009-2011）[C];2011年

9 王倩影;馮國(guó)燦;湯鑫;;δ-距離及其在半監(jiān)督增強(qiáng)中的應(yīng)用[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

10 林良憲;利德江;蔡孟璇;邱政賢;;針對(duì)小樣本分類(lèi)的半監(jiān)督式學(xué)習(xí)法[A];第25屆全國(guó)灰色系統(tǒng)會(huì)議論文集[C];2014年

相關(guān)博士學(xué)位論文 前10條

1 譚學(xué)敏;基于半監(jiān)督學(xué)習(xí)的運(yùn)動(dòng)想象腦-機(jī)接口研究[D];重慶大學(xué);2015年

2 孫博良;在線半監(jiān)督學(xué)習(xí)理論、算法與應(yīng)用研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

3 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

4 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

5 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

6 唐曉亮;基于神經(jīng)網(wǎng)絡(luò)的半監(jiān)督學(xué)習(xí)方法研究[D];大連理工大學(xué);2009年

7 余國(guó)先;高維數(shù)據(jù)上的半監(jiān)督學(xué)習(xí)研究[D];華南理工大學(xué);2013年

8 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

9 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

10 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

相關(guān)碩士學(xué)位論文 前10條

1 李南;基于屬性偏序結(jié)構(gòu)理論的半監(jiān)督學(xué)習(xí)方法研究[D];燕山大學(xué);2015年

2 路同強(qiáng);基于半監(jiān)督學(xué)習(xí)的微博謠言檢測(cè)研究[D];山東大學(xué);2015年

3 杜俊;半監(jiān)督學(xué)習(xí)及其在社交媒體分析中的應(yīng)用[D];華北電力大學(xué);2015年

4 王俊超;在線半監(jiān)督學(xué)習(xí)尺度自適應(yīng)魯棒目標(biāo)跟蹤[D];湘潭大學(xué);2015年

5 薛巍;基于半監(jiān)督學(xué)習(xí)的人臉特征抽取方法研究[D];揚(yáng)州大學(xué);2015年

6 黃f^;網(wǎng)站的可信度分析[D];福州大學(xué);2013年

7 王雷;基于半監(jiān)督學(xué)習(xí)的中文問(wèn)句分類(lèi)[D];安徽工業(yè)大學(xué);2016年

8 向銘;基于半監(jiān)督學(xué)習(xí)的室內(nèi)WLAN支持向量回歸定位算法[D];重慶郵電大學(xué);2016年

9 張倚天;基于商品特征挖掘的在線評(píng)論有用性分類(lèi)研究[D];大連理工大學(xué);2016年

10 曹琳琳;基于低秩描述的自適應(yīng)半監(jiān)督學(xué)習(xí)[D];西安電子科技大學(xué);2015年

，

本文編號(hào)：1686147