發(fā)布時間：2017-04-02 01:09

  本文關(guān)鍵詞：基于信息理論學習的支持向量數(shù)據(jù)描述集成，，由筆耕文化傳播整理發(fā)布。

【摘要】：單類分類是介于監(jiān)督學習和無監(jiān)督學習之間的機器學習任務(wù),它能夠有效地解決僅有一類樣本訓(xùn)練分類器的問題和類別極端不平衡問題。迄今為止,涌現(xiàn)了大量的單類分類方法,其中最為常用的有一類支持向量機(one-class support vector machine,OCSVM)和支持向量數(shù)據(jù)描述(support vector data description,SVDD)。為了進一步提高單類分類器的分類性能,可以對多個單類分類器加以集成。然而,已有的單類分類器集成方法并未綜合考慮差異性和選擇性集成對集成性能的影響�；诖�,本文在已有單類分類器集成的基礎(chǔ)上,結(jié)合信息理論學習,對基于信息理論學習的SVDD集成開展了研究。1.提出了基于相關(guān)熵和距離方差的SVDD選擇性集成方法。所提方法使用相關(guān)熵代替均方誤差,用于度量集成的緊致性,從而構(gòu)造出更為緊致的分類邊界。同時使用訓(xùn)練樣本到各最小包圍球中心的距離的方差作為集成的差異性度量。此外,在目標函數(shù)中引入基于l_1范數(shù)的正則化項,實現(xiàn)選擇性集成。最后,利用半二次優(yōu)化技術(shù)對所提選擇性集成模型進行求解,實驗結(jié)果表明,所提方法比相關(guān)方法具有更優(yōu)的分類性能。2.提出了基于相關(guān)熵和Renyi熵的SVDD選擇性集成方法。所提方法利用各個樣本到集成中心距離的Renyi熵作為集成的差異性度量,并使用半二次優(yōu)化技術(shù)對所提選擇性集成模型進行求解。在人工數(shù)據(jù)集和標準數(shù)據(jù)集上的實驗表明,所提方法具有更優(yōu)的魯棒性。
【關(guān)鍵詞】：支持向量數(shù)據(jù)描述 相關(guān)熵 Renyi熵 單類分類 選擇性集成
【學位授予單位】：河北大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP181
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-13
• 1.1 研究背景和意義9
• 1.2 國內(nèi)外研究現(xiàn)狀9-11
• 1.3 主要研究內(nèi)容與論文組織結(jié)構(gòu)11-12
• 1.3.1 主要研究內(nèi)容11-12
• 1.3.2 論文組織結(jié)構(gòu)12
• 1.4 本章小結(jié)12-13
• 第2章 相關(guān)知識13-17
• 2.1 SVDD13-14
• 2.2 信息理論學習14-15
• 2.2.1 相關(guān)熵14
• 2.2.2 Renyi熵14-15
• 2.3 基于方差的差異性度量15-16
• 2.4 本章小結(jié)16-17
• 第3章 基于相關(guān)熵和距離方差的SVDD選擇性集成17-29
• 3.1 數(shù)學模型17-20
• 3.2 學習算法20-21
• 3.3 實驗結(jié)果21-27
• 3.3.1 人工數(shù)據(jù)集21-23
• 3.3.2 標準數(shù)據(jù)集23-27
• 3.4 本章小結(jié)27-29
• 第4章 基于相關(guān)熵和Renyi熵的SVDD選擇性集成29-41
• 4.1 數(shù)學模型29-32
• 4.2 學習算法32-33
• 4.3 實驗結(jié)果33-40
• 4.3.1 人工數(shù)據(jù)集33-36
• 4.3.2 標準數(shù)據(jù)集36-40
• 4.4 本章小結(jié)40-41
• 第5章 總結(jié)與展望41-43
• 5.1 全文總結(jié)41
• 5.2 工作展望41-43
• 參考文獻43-46
• 致謝46-47
• 攻讀學位期間取得的科研成果47

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 呂岳,施鵬飛,趙宇明;多分類器組合的投票表決規(guī)則[J];上海交通大學學報;2000年05期

2 韓宏;楊靜宇;;多分類器組合及其應(yīng)用[J];計算機科學;2000年01期

3 陳剛,戚飛虎;多分類器結(jié)合的人臉識別[J];上海交通大學學報;2001年02期

4 韓宏,楊靜宇,婁震;基于層次的分類器組合[J];南京理工大學學報(自然科學版);2002年01期

5 趙誼虹,程國華,史習智;多分類器融合中一種新的加權(quán)算法[J];上海交通大學學報;2002年06期

6 王正群,葉暉,孫興華,楊靜宇;模糊多分類器組合[J];小型微型計算機系統(tǒng);2003年01期

7 楊利英,覃征,王向華;多分類器融合實現(xiàn)機型識別[J];計算機工程與應(yīng)用;2004年15期

8 楊利英,覃征,王衛(wèi)紅;多分類器融合系統(tǒng)設(shè)計與應(yīng)用[J];計算機工程;2005年05期

9 陳湘;;1-范數(shù)軟間隔分類器的風險[J];湖北大學學報(自然科學版);2006年02期

10 秦鋒;楊波;程澤凱;;分類器性能評價標準研究[J];計算機技術(shù)與發(fā)展;2006年10期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 王占一;徐蔚然;劉東鑫;郭軍;;一種基于兩級分類器的垃圾短信過濾方法[A];第五屆全國信息檢索學術(shù)會議論文集[C];2009年

2 翟靜;李海宏;唐常杰;陳敏敏;李智;;可驗證對象集分類器的再訓(xùn)練演進[A];第十九屆全國數(shù)據(jù)庫學術(shù)會議論文集（研究報告篇）[C];2002年

3 陳繼航;劉家鋒;趙巍;唐降龍;;聯(lián)機手寫識別筆段特征分類器的學習方法[A];黑龍江省計算機學會2009年學術(shù)交流年會論文集[C];2010年

4 穆明生;;基于特征集的多種分類器模型的在線筆跡認證[A];第十屆全國信號處理學術(shù)年會（CCSP-2001）論文集[C];2001年

5 彭濤;左萬利;赫楓齡;;基于鏈接上下文的分類器主題爬行技術(shù)(英文)[A];第二十三屆中國數(shù)據(jù)庫學術(shù)會議論文集（技術(shù)報告篇）[C];2006年

6 王嵐;陳珂;遲惠生;;基于多特征組合多分類器的方法用于“與文本無關(guān)”的說話人辨認[A];第四屆全國人機語音通訊學術(shù)會議論文集[C];1996年

7 謝秋玲;;應(yīng)用于心電圖分類的KNN-SVM分類器研究[A];2006中國控制與決策學術(shù)年會論文集[C];2006年

8 胡瓊;汪榮貴;胡韋偉;孫見青;;基于級聯(lián)分類器的快速人臉檢測方法[A];計算機技術(shù)與應(yīng)用進展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學術(shù)會議論文集[C];2007年

9 李蘭春;王雙成;杜瑞杰;;認知結(jié)構(gòu)評估的動態(tài)貝葉斯網(wǎng)絡(luò)分類器方法[A];2011年中國智能自動化學術(shù)會議論文集（第一分冊）[C];2011年

10 邵小健;段華;賀國平;;一種改進的最少核分類器[A];中國運籌學會第七屆學術(shù)交流會論文集（上卷）[C];2004年

中國重要報紙全文數(shù)據(jù)庫 前1條

1 黃明;精子分類器決定生男生女[N];廣東科技報;2000年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 張非;對抗逃避攻擊的防守策略研究[D];華南理工大學;2015年

2 張文博;多類別智能分類器方法研究[D];西安電子科技大學;2014年

3 許勁松;智能交通中目標檢測與分類關(guān)鍵技術(shù)研究[D];南京理工大學;2014年

4 余家林;普通場景視頻人臉檢測與識別的關(guān)鍵技術(shù)研究[D];浙江大學;2016年

5 趙作林;基于圖像分析的北京地區(qū)楊樹種類識別研究[D];北京林業(yè)大學;2015年

6 任亞峰;基于標注和未標注數(shù)椐的虛假評論識別研究[D];武漢大學;2015年

7 劉明;分類器組合技術(shù)研究及其在人機交互系統(tǒng)中的應(yīng)用[D];北京交通大學;2008年

8 嚴志永;在劃分數(shù)據(jù)空間的視角下基于決策邊界的分類器研究[D];浙江大學;2011年

9 王U

本文編號：281616