隨著多標(biāo)簽學(xué)習(xí)方法在多個領(lǐng)域的廣泛應(yīng)用,對多標(biāo)簽數(shù)據(jù)進(jìn)行準(zhǔn)確的分類,已成為研究多標(biāo)簽學(xué)習(xí)方法的重要課題之一。對于多標(biāo)簽數(shù)據(jù)來說,互聯(lián)網(wǎng)的快速發(fā)展使得獲取未標(biāo)注的數(shù)據(jù)變得十分方便,但是想要獲取已標(biāo)注的多標(biāo)簽數(shù)據(jù)需要花費大量的時間和金錢。對此,本文充分利用少量已標(biāo)注樣本和大量未標(biāo)記樣本,提出了基于不完全監(jiān)督的多標(biāo)簽分類算法。根據(jù)實現(xiàn)不完全監(jiān)督學(xué)習(xí)的兩種主要方式,本文將所提出的算法分為:基于主動學(xué)習(xí)的多標(biāo)簽分類算法和基于主動半監(jiān)督學(xué)習(xí)的多標(biāo)簽分類算法�；谥鲃訉W(xué)習(xí)的多標(biāo)簽分類算法,首先根據(jù)多標(biāo)簽間的相互聯(lián)系,利用陸地移動距離構(gòu)建一個非對稱的多標(biāo)簽間相關(guān)性矩陣;再將二元信源的熵與多標(biāo)簽間相關(guān)性矩陣相結(jié)合的方法計算樣本標(biāo)簽對的信息含量,并以此作為主動學(xué)習(xí)的采樣標(biāo)準(zhǔn);最終將選取的樣本交給人類專家進(jìn)行標(biāo)注,迭代地完成主動學(xué)習(xí)過程。此算法在考慮多標(biāo)簽間相互關(guān)系的同時也考慮了已標(biāo)注數(shù)據(jù)和未標(biāo)注數(shù)據(jù)所包含的信息,進(jìn)一步提高了分類器對于多標(biāo)簽數(shù)據(jù)的分類性能�；谥鲃影氡O(jiān)督學(xué)習(xí)的多標(biāo)簽分類算法,是在基于主動學(xué)習(xí)的多標(biāo)簽分類算法的基礎(chǔ)上為了進(jìn)一步提高算法的分類效率,而加入半監(jiān)督學(xué)習(xí)自動的進(jìn)行選擇和標(biāo)注未分類的多... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１弱監(jiān)督學(xué)習(xí)概述圖??Ｆｉｇ．?２．１?Ｔｈｅ?ｏｖｅｒｖｉｅｗ?ｏｆ?ｗｅａｋｌｙ?ｓｕｐｅｒｖｉｓｅｄ?ｌｅａｒｎｉｎｇ??

?大連海事大學(xué)專業(yè)學(xué)位碩士學(xué)位論文???間所對應(yīng)的地面距離，那么從不同位置運輸多少土到不同的深坑使得總運輸代價??最小，這個最小代價就是陸地移動距離。??ＥＭＤ的計算可以借鑒運籌學(xué)領(lǐng)域中著名的最優(yōu)運輸問題的解決方案［４３］。最優(yōu)??運輸問題［４４］是在１７８１年由Ｍｏｎｇｅ教授首次提出的。如圖２．２為一個包含３個產(chǎn)地??與２個銷地的最優(yōu)運輸問題的示例。??圖２．２最優(yōu)運輸問題的示例??Ｆｉｇ．?２．２?Ａｎ?ｅｘａｍｐｌｅ?ｏｆ?ｏｐｔｉｍａｌ?ｔｒａｎｓｐｏｒｔａｔｉｏｎ?ｐｒｏｂｌｅｍ??定義２．９定義Ｐ為包含ｗ個產(chǎn)地的集合Ｐ?＝?表示第ｆ產(chǎn)地所包含??貨品的數(shù)量；２為包含《個銷地的集合０?＝?，幻表示第７產(chǎn)地所需要貨品??的數(shù)量；４表示第／個產(chǎn)地在運輸單位數(shù)量的貨品到第７個銷售地所花費的代價。??運輸產(chǎn)地的貨品到銷地的最小代價如下：??ＷＯＲＫｉＰ＾Ｆ）＾＾＾?（２．１９）??／＝！?．／＝！??需滿足如下約束條件：??ｆｉｊ＾ｄ?＼＜ｉ＜ｍ?１＜，／＜？?（２．２０）??＼＜ｉ＜ｍ?（２．２１）??ＴｒＪｕ＾＾ｊ?（２．２２）??ｎｉ?ｎ?ｎｔ?ｎ??ＳＸ?石／．?＝ｍｉｎ（Ｉ＾＇，Ｉ＾／）?（２．２３?）??ｉ—ｌ?ｊ＝ｌ?ｉ＝ｌ?７＝１??１４??

?大連海事大學(xué)專業(yè)學(xué)位碩士學(xué)位論文???〇、、、０？〇?０?／?０?？?〇?０??〇。０、、、〇、§?０。／?〇０〇?◎??〇?〇、２〇〇／。〇０??０?０?０?０?◎?／、〇ｎ?０?？??〇。〇?ｅ?〇?ｅ?／〇、、、〇?０?？??（Ｄ?〇?３?０?／?〇〇?０、、、〇?〇??〇?０?ｏ?，?０?０?〇?ｏ、、、???ＳＶＭ劃分的超平面??Ｓ３ＶＭ劃分的超平而??？?？？?１丨：類樣本?Ｑ：負(fù)類樣本?０?：朱標(biāo)注樣本??圖４．１半監(jiān)督支持向量機(jī)??Ｆｉｇ．?４．１?Ｓｅｍｉ－Ｓｕｐｅｒｖｉｓｅｄ?Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ??直推式支持向量機(jī)（Ｔｒａｎｓｄｕｃｔｉｖｅ?Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，ＴＳＶＭ）?［３２］是半監(jiān)??督支持向量機(jī)算法中較代表性是算法。ｔｓｖｍ算法運用對未標(biāo)記樣本進(jìn)行標(biāo)簽指??派的方式，令每個未標(biāo)記樣本分別作為正類樣本和負(fù)類樣本，在所有結(jié)果中找到??使得數(shù)據(jù)集中全部樣本最大化間隔的分離超平面，此時標(biāo)注的未標(biāo)記樣本的標(biāo)簽??即為其最終的預(yù)測標(biāo)簽。ＴＳＶＭ算法的具體過程如下：??算法４．２直推式半監(jiān)督支持向量機(jī)算法：??輸入：??Ｚ?＝?｛（七，乃），．＂＿（Ｗ，），＿＿？，〇？，，乃）１少，ｅ?｛＋１，一１｝｝表示己標(biāo)注樣本集；??Ｖ?＝?｛ｘｗ，ｘ，＋２，：．．，ｘｍ｝表示未標(biāo)注樣本集：??折中參數(shù)Ｃ，，松弛變量委２０，／?＝?１，２，．．．，》１：（叫／７）確定了一個分離超平面；??初始化：??１：根據(jù)己標(biāo)注樣本構(gòu)建的集合Ｌ，訓(xùn)練一個ＳＶＭ／；??２：用８＼＾，對［／中的樣本進(jìn)行標(biāo)注，得到預(yù)測標(biāo)簽／?＝?｛（免＋｜，

【參考文獻(xiàn)】：
期刊論文
[1]A brief introduction to weakly supervised learning[J]. Zhi-Hua Zhou.  National Science Review. 2018(01)
[2]標(biāo)簽相關(guān)的多標(biāo)簽分類算法[J]. 喬亞琴,馬盈倉,張毅斌,楊小飛.  紡織高校基礎(chǔ)科學(xué)學(xué)報. 2017(04)
[3]基于HDP的監(jiān)督多標(biāo)簽文本分類研究[J]. 謝晨陽,盧焱鑫.  計算機(jī)工程與應(yīng)用. 2017(23)
[4]基于SVM的多示例多標(biāo)簽主動學(xué)習(xí)[J]. 李杰龍,肖燕珊,郝志峰,阮奕邦,張麗陽.  計算機(jī)工程與設(shè)計. 2016(01)
[5]主動學(xué)習(xí)的多標(biāo)簽圖像在線分類[J]. 徐美香,孫福明,李豪杰.  中國圖象圖形學(xué)報. 2015(02)
[6]半監(jiān)督k近鄰分類方法[J]. 陳日新,朱明旱.  中國圖象圖形學(xué)報. 2013(02)
[7]一種半監(jiān)督的多標(biāo)簽Boosting分類算法[J]. 趙晨陽,佀潔.  計算機(jī)應(yīng)用研究. 2012(09)
[8]一種基于模型共享的半監(jiān)督多標(biāo)簽圖像學(xué)習(xí)法[J]. 張大鵬,聞佳,劉曦.  系統(tǒng)仿真學(xué)報. 2012(09)
[9]基于加權(quán)SVM主動學(xué)習(xí)的多標(biāo)簽分類[J]. 劉端陽,邱衛(wèi)杰.  計算機(jī)工程. 2011(08)



本文編號：3287475