發(fā)布時(shí)間：2017-08-31 14:05

  本文關(guān)鍵詞：基于局部線(xiàn)性重構(gòu)的主動(dòng)支持向量機(jī)分類(lèi)器構(gòu)建方法

  更多相關(guān)文章： 樣本初選 主動(dòng)支持向量機(jī) 局部線(xiàn)性重構(gòu) 支持向量 主動(dòng)學(xué)習(xí)

【摘要】：針對(duì)基于距離的主動(dòng)支持向量機(jī)(Distance-Based Active SVM,DASVM)在選取初始標(biāo)記樣本時(shí)采用了隨機(jī)的策略而影響了分類(lèi)器學(xué)習(xí)效率和分類(lèi)性能的問(wèn)題,提出了一種基于局部線(xiàn)性重構(gòu)的主動(dòng)支持向量機(jī)分類(lèi)器構(gòu)建方法(CLASVM)。CLASVM在DASVM分類(lèi)器構(gòu)建方法的基礎(chǔ)上增加了基于類(lèi)內(nèi)-類(lèi)間局部線(xiàn)性重構(gòu)的訓(xùn)練樣本初選策略,該訓(xùn)練樣本初選策略以"聚類(lèi)假設(shè)"和"流形假設(shè)"的思想為指導(dǎo),選取若干同時(shí)具有最大類(lèi)間重構(gòu)誤差和最小類(lèi)內(nèi)重構(gòu)誤差的樣本作為初選樣本進(jìn)行標(biāo)記。實(shí)驗(yàn)表明,CLASVM在樣本初選階段能夠選取較多的支持向量,樣本標(biāo)記成本減少,訓(xùn)練效率與分類(lèi)器性能與其他參與對(duì)比的分類(lèi)器相比有顯著提升。
【作者單位】： 中國(guó)科學(xué)院大學(xué)博士后科研流動(dòng)站;中國(guó)工商銀行博士后科研工作站;中國(guó)科學(xué)院大學(xué)管理學(xué)院;北京理工大學(xué)信息與電子學(xué)院;
【關(guān)鍵詞】： 樣本初選 主動(dòng)支持向量機(jī) 局部線(xiàn)性重構(gòu) 支持向量 主動(dòng)學(xué)習(xí)
【基金】：國(guó)家863項(xiàng)目(2015AA8017032) 國(guó)家自然科學(xué)基金資助項(xiàng)目(61301090)
【分類(lèi)號(hào)】：TP18
【正文快照】： 1引言在傳統(tǒng)的監(jiān)督學(xué)習(xí)中,獲得大量已標(biāo)記類(lèi)別的樣本是訓(xùn)練分類(lèi)器的前提。然而,訓(xùn)練樣本類(lèi)別標(biāo)記是一項(xiàng)耗時(shí)耗力的工作,樣本標(biāo)記所花費(fèi)的時(shí)間是其獲取時(shí)間的10倍以上[1]。為解決監(jiān)督學(xué)習(xí)過(guò)程中訓(xùn)練樣本類(lèi)別標(biāo)記代價(jià)較高的問(wèn)題,Lewis等提出了主動(dòng)學(xué)習(xí)(Active Learning)方法[2]，

本文編號(hào)：766006