本文關鍵詞：改進的多源域多視角遷移算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：遷移學習旨在利用源域和目標域的潛在相關性,充分利用源域數(shù)據(jù)的知識,完成對目標域的學習任務。半監(jiān)督學習是機器學習領域中的一個重要分支,研究的是如何利用已有的少量標簽數(shù)據(jù)結合大量無標簽數(shù)據(jù)訓練出更加可靠的學習器。半監(jiān)督的遷移學習方法已成為遷移學習一個重要的研究領域。半監(jiān)督的遷移學習主要研究如何在少量有標簽數(shù)據(jù)的基礎上,充分利用已知的知識,完成對學習器的訓練,主要存在兩種方法:⑴.結合多個相關數(shù)據(jù)源域,從多個源域當中獲取遷移知識;⑵.通過多視角的方法,預測無標簽數(shù)據(jù)的標簽。針對這兩個方式,本文在了解傳統(tǒng)的機器學習方法的基礎上,研究了多源域多視角的遷移算法,其中,重點研究了動態(tài)多源域多視角遷移算法。多源域多視角遷移算法(MSMV)在半監(jiān)督學習算法當中有著優(yōu)異的效果,其不僅充分利用了多個數(shù)據(jù)域并且從多個視角對無標簽數(shù)據(jù)進行預測。本文針對多源域數(shù)據(jù)權重下降較快的問題引入了動態(tài)因子,結合多視角的學習方法,提出了動態(tài)多源域多視角學習算法(D-MSMV)。另外,對于學習器生成過程當中的一些細節(jié)做出了改進。在實驗中,我們從UCI和Caltech 256中選取了部分數(shù)據(jù)進行實驗對比。實驗結果證明,本文算法有效性而且較其他算法有著更高的準確性。
【關鍵詞】：半監(jiān)督學習 遷移學習 動態(tài)多源域 多視角
【學位授予單位】：青島大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP18
【目錄】：

• 摘要2-3
• Abstract3-6
• 第一章 緒論6-9
• 1.1 課題研究背景和意義6-7
• 1.2 國內外研究及現(xiàn)狀7
• 1.3 論文的主要工作與章節(jié)安排7-9
• 第二章 分類算法概述9-18
• 2.1 分類的基礎知識10-11
• 2.1.1 分類算法中的定義10
• 2.1.2 分類算法的結構10-11
• 2.2 分類算法11-17
• 2.2.1 基于概率統(tǒng)計的分類算法12-13
• 2.2.2 決策樹分類算法13-14
• 2.2.3 基于神經網(wǎng)絡分類算法14-15
• 2.2.4 基于集成分類算法15-16
• 2.2.5 數(shù)據(jù)分析算法16-17
• 2.3 本章小結17-18
• 第三章 遷移學習算法18-21
• 3.1 遷移學習算法介紹18-19
• 3.2 遷移算法的分類19
• 3.2.1 傳統(tǒng)的學習算法19
• 3.2.2 歸納遷移學習算法19
• 3.2.3 直推式遷移學習算法19
• 3.2.4 無監(jiān)督學習算法19
• 3.3 遷移學習面臨的問題19-20
• 3.4 本章小結20-21
• 第四章 遷移學習中的多源域和多視角算法21-30
• 4.1 多源域理論21-22
• 4.2 多源域遷移算法22-25
• 4.3 多視角理論25-28
• 4.3.1 單視角學習25
• 4.3.2 多視角學習25-26
• 4.3.3 多視角學習算法及原則26-28
• 4.4 傳統(tǒng)的多源域多視角算法28-29
• 4.5 本章小結29-30
• 第五章 改進的多源域多視角遷移算法30-40
• 5.1 本文算法30-35
• 5.1.1 動態(tài)多源域多視角算法31-33
• 5.1.2 動態(tài)多源域多視角遷移算法分析33-35
• 5.2 實驗結果35-39
• 5.3 本章小結39-40
• 第六章 總結與展望40-42
• 參考文獻42-46
• 攻讀學位期間的研究成果46-47
• 致謝47-48

  本文關鍵詞：改進的多源域多視角遷移算法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：267015