本文選題：多標(biāo)記學(xué)習(xí) + MIML　； 參考：《小型微型計(jì)算機(jī)系統(tǒng)》2017年04期

【摘要】：多標(biāo)記學(xué)習(xí)主要用于解決單個(gè)樣本同時(shí)屬于多個(gè)類別的問(wèn)題.傳統(tǒng)的多標(biāo)記算法在輸入空間僅用單一示例表示多義性對(duì)象,過(guò)度簡(jiǎn)化了對(duì)象的復(fù)雜內(nèi)涵,導(dǎo)致在表示階段丟失重要信息.針對(duì)這一問(wèn)題,提出一種結(jié)合類別權(quán)重及多示例的多標(biāo)記學(xué)習(xí)改進(jìn)算法CWMI-INSDIF.算法采用MIML(Multi-Instance Multi-Label learning)框架,在表示階段,將學(xué)習(xí)樣本分化為多示例包形式,在生成示例包過(guò)程中定義一組描述數(shù)據(jù)重要度的權(quán)重函數(shù),并加入自適應(yīng)懲罰策略,最終確定了學(xué)習(xí)樣本中各部分信息的權(quán)重大小,從而在輸入空間更好的描述了樣本歧義性.算法給出了在公開(kāi)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果.通過(guò)仿真分析,驗(yàn)證了本文提出的算法在學(xué)習(xí)性能和分類效果方面的提高.
[Abstract]:Multi-label learning is mainly used to solve the problem that a single sample belongs to multiple categories at the same time. The traditional multi-label algorithm only uses a single example to represent the polysemy object in the input space, which oversimplifies the complex connotation of the object and results in the loss of important information in the presentation phase. In order to solve this problem, an improved multi-label learning algorithm, CWMI-INSDIFF, is proposed, which combines class weight with multiple examples. The algorithm uses MIML (Multi-Instance Multi-Label learning) framework. In the presentation stage, the learning samples are divided into multi-sample packets, and a set of weight functions describing the importance of data are defined in the process of generating the sample packets, and adaptive penalty strategies are added. Finally, the weight of each part of the learning sample is determined, and the ambiguity of the sample is better described in the input space. The algorithm gives the experimental results in the open data set. Simulation results show that the proposed algorithm improves the learning performance and classification performance.
【作者單位】： 南京工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院;
【基金】：江蘇省高校自然科學(xué)基金項(xiàng)目(12KJB510007)資助
【分類號(hào)】：TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 譚建輝;;徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的再學(xué)習(xí)算法及其應(yīng)用[J];微電子學(xué)與計(jì)算機(jī);2006年05期

2 薛志東;王燕;邱德紅;;逆C均值學(xué)習(xí)樣本篩選方法[J];微計(jì)算機(jī)信息;2007年27期

3 張映偉,于川,邢鎮(zhèn)容;學(xué)習(xí)樣本存在分類錯(cuò)誤時(shí)的判據(jù)穩(wěn)定性問(wèn)題[J];計(jì)算機(jī)仿真;2003年06期

4 岑健;秦勇;邢鎮(zhèn)容;;學(xué)習(xí)樣本存在分類錯(cuò)誤時(shí)的決策判據(jù)分析[J];茂名學(xué)院學(xué)報(bào);2006年04期

5 黎移新;;多層前饋神經(jīng)網(wǎng)絡(luò)幾種算法的樣本順序敏感性[J];食品與機(jī)械;2010年04期

6 胡瑞敏，，李德仁，沈未名，吳捷，姚天任;連續(xù)函數(shù)映射網(wǎng)絡(luò)樣本重組的研究[J];計(jì)算機(jī)學(xué)報(bào);1996年09期

7 李遠(yuǎn),劉悅,王媛,吳耿鋒;地震預(yù)報(bào)專家系統(tǒng)中學(xué)習(xí)樣本的構(gòu)建[J];計(jì)算機(jī)工程與應(yīng)用;2005年04期

8 蔣明 ,柏文陽(yáng) ,肖建華 ,符江東;調(diào)和的復(fù)合BP網(wǎng)絡(luò)及學(xué)習(xí)算法[J];小型微型計(jì)算機(jī)系統(tǒng);2003年03期

9 高雋;胡勇;胡良梅;;關(guān)于AM學(xué)習(xí)樣本選擇的實(shí)驗(yàn)研究[J];模式識(shí)別與人工智能;2002年03期

10 ;[J];;年期

相關(guān)會(huì)議論文 前3條

1 田建艷;武增懿;韓肖清;;徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的改進(jìn)[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第七分冊(cè)）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

2 周斌;;內(nèi)燃機(jī)排放神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)樣本的確定[A];加入WTO和中國(guó)科技與可持續(xù)發(fā)展——挑戰(zhàn)與機(jī)遇、責(zé)任和對(duì)策（上冊(cè)）[C];2002年

3 文博武;胡壽松;;基于再勵(lì)學(xué)習(xí)的殲擊機(jī)安全著陸橫側(cè)向協(xié)調(diào)控制[A];2005全國(guó)自動(dòng)化新技術(shù)學(xué)術(shù)交流會(huì)論文集（二）[C];2005年

相關(guān)碩士學(xué)位論文 前1條

1 惠寅華;基于同倫的學(xué)習(xí)算法研究[D];蘇州大學(xué);2013年

本文編號(hào)：2112149