检索结果-内蒙古大学图书馆

计算机应用研究 2012年第9期29卷 3316-3319页

作者：张建朋陈福才国家数字交换系统工程技术研究中心郑州450002

针对现有的主动学习算法在多分类器应用中存在准确率低、速度慢等问题,将基于仿射传播(AP)聚类的主动学习算法引入到多分类支持向量机中,每次迭代主动选择最有利于改善多类SVM分类器性能的N个新样本点添加到训练样本点中进行学习,使得... 详细信息

针对现有的主动学习算法在多分类器应用中存在准确率低、速度慢等问题,将基于仿射传播(AP)聚类的主动学习算法引入到多分类支持向量机中,每次迭代主动选择最有利于改善多类SVM分类器性能的N个新样本点添加到训练样本点中进行学习,使得在花费较小标注代价情况下,能够获得较高的分类性能。在多个不同数据集上的实验结果表明,新方法能够有效地减少分类器训练时所需的人工标注样本点的数量,并获得较高的准确率和较好的鲁棒性。

关键词：仿射传播聚类多分类支持向量机主动学习算法训练样本点优化

来源：评论

学校读者我要写书评

暂无评论

弱监督目标定位研究

弱监督目标定位研究

引用

作者：王连涛南京理工大学

学位级别：博士

传统的目标定位方法一般都需要人工标记的训练样本来学习目标模型，其中在正样本数据中都要以某种形式标注出目标的所在位置。然而人工标注是非常耗时且乏味的，并且可能产生标注偏差。另一方面，随着电子设备的普及和高速网络的兴起，... 详细信息

传统的目标定位方法一般都需要人工标记的训练样本来学习目标模型，其中在正样本数据中都要以某种形式标注出目标的所在位置。然而人工标注是非常耗时且乏味的，并且可能产生标注偏差。另一方面，随着电子设备的普及和高速网络的兴起，我们可以轻而易举地获得大量的弱标记的图像和视频数据。所有这些都促进了弱监督目标定位方法的出现。在弱监督目标定位任务中，训练数据是弱标记的。也就是标签只说明了该图像或视频是否含有兴趣目标，而对于目标的位置没有提供任何信息。我们的目标就是要从这些弱标记的数据中学习到目标检测器。大多数现存的弱监督目标定位都局限于边界框形式，边界框对于非框形物体定位不够精确，更严重的是边界框中的背景元素有时候会误导分类器导致错失整个目标。在本论文中，我们基于特征点得分和过分割区域组合两种思路，提出了几种能产生任意形状的弱监督目标定位方法。\n 基于特征点得分的思路早已被广泛应用于监督式的目标定位中，其实快速空间搜索的目标定位方法都可以划归到一个特征点得分投票的框架下。这些方法大多数都采用了线性SVM和直方图特征表示的方式，使得一个区域的SVM得分能够分解成其所含特征点权重之和的形式，以确保满足使用一些快速空间搜索策略的前提条件。这里基于SVM的权重就可以看作是特征点的得分。然而这种最优化图像子窗口分类性能得到的SVM权重并不能可靠地反映特征点的类别归属，导致目标定位的结果有时候很差。为了解决这个问题，本文提出了一种基于最大后验估计的目标定位方法，把目标定位的问题转化为特征点得分投票问题。其中的特征点得分是通过最小二乘回归估计密度比得来，能够较为可靠地反映特征点的类别归属，从而解决了基于SVM分类的定位方法的缺陷。\n 想要实现基于特征点的弱监督目标定位，一种简单的思路是把现有监督式的方法分解为分类器训练和目标搜索两个步骤进行反复迭代。即先用整幅目标图像（往往含有很多背景）作为目标位置训练分类器，然后用得到的分类器在这些图像里面搜索目标，再用搜索到含有较少背景的图像训练更为准确的分类器，期望每一步能把目标定位得更精确。但在实际应用中，因为弱标记的正样本图像里面含有大量的背景元素，并且在迭代训练过程中，这些背景元素对分类器的影响不断累积，导致最后的定位结果趋向于覆盖整幅图像。尽管如此，我们观察到正特征点权重最密集的区域依然集中在目标上。因此我们利用最大熵随机游走的稳态分布来确定正权重最密集的区域，从而提出一种基于特征点得分的弱监督目标定位方法。\n 另一种实现弱监督目标定位的思路是，把图像或视频看成袋子，把其所含的候选区域看成示例，这样很容易让人联想到多示例学习。实际上多示例学习也确实已经应用到目标定位领域，然而大多数已有的多示例学习只能找出袋子里面单个最有可能是正样本的示例，并且当这些方法应用到目标定位当中时，定位形式局限于边界框。我们在本论文提出了两种基于过分割区域的弱监督目标定位方法，一种是基于词袋学习的弱标记数据中示例标注的方法，另一种是基于分片支持向量机的方法，从而解决了这些问题。\n 在基于词袋学习的示例标注方法中，我们提出用词袋模型来刻画一个概率分布，并且通过标准的最大似然估计方法得到词袋模型的参数。给定一组两类的袋子数据，我们的目标是要为正袋子里面的每一个示例确定标签。如果知道正类示例和负类示例的分布，那么这个目标将很容易达成。为此，我们用词袋模型来分别建模正类和负类的分布，然后将词袋学习和示例标注融合到一个优化公式当中。与大多数现存的多示例学习方法通过检测一个最正的示例来最优化袋子级别分类不同的是，我们的方案旨在标注正袋子里面每一个示例从而检测到所有的正示例。\n 在基于分片支持向量机的方法中，基本思想（以图像为例）是首先对图像进行无监督的过分割得到很多分片，给每一个分片加上一个隐变量作为权重，然后联合地优化这些隐变量和SVM的参数，以达到选择和分类的双重目的。同样是假设假设一个负袋子里全是负示例，一个正袋子里至少含有一个正示例，我们的方法跟多示例学习的不同在于:多示例学习中一个测试袋子的标签由其所含的示例得分最大的那个决定，而在我们的分片支持向量机中，袋子的标签是由每一个示例得分的线性组合决定的。对于视觉学习来说，这样的假设更为合理，因为无监督的分割技术很难把一个目标完整地分割出来，从而不能说哪个区域单独决定了整幅图像的类别归属，真正的目标应该是若干个区域的组合。\n 此外，本文还提出了一种基于询问合成的主动学习算法，该算法综合了样本合成和基于池采样主动学习方法的优点。在耗时比基于池采样的主动学习方法少得多的前提下，能达到与之差不多的性能。另外，我们还对主动学习方法在弱监督目标定位中的应用进行了探索，提出了两种应用思路，初步的简单实验证明了其可行性。

关键词：弱监督目标图像定位特征点得分过分割区域主动学习算法

来源：评论

学校读者我要写书评

暂无评论

Active Learning Algorithms and Applications

Active Learning Algorithms and Applications

引用

作者： Wenbin Cai 上海交通大学

学位级别：博士

With the rapid development of information systems and the popularity of Internet such as Google，Facebook and Flickr，we are facing the explosive expansion of various types of data. Every day，2.5 quintillion bytes of data are created，and that number is doubling every 40 months or so [1]. There are various types of data around us，e.g. web documents，finance data，business data，image data，video data，voice data，etc. It is not surprising that the era of big data has arrived (as shown in figure 1.1).

关键词：主动学习算法信息系统数据处理

来源：评论

学校读者我要写书评

暂无评论

基于时间自动机子类的形式语言学习与不透明性分析

基于时间自动机子类的形式语言学习与不透明性分析

引用

作者：王令泰中国科学院大学

学位级别：博士

混成系统在生产和生活中广泛应用，其安全与隐私问题也相当重要。本论文研究混成系统的安全和隐私问题。从攻击者的角度出发，可以考虑模型学习问题;从防守者的角度出发，可以考虑不透明性问题。以时间自动机作为系统模型，主要针对实... 详细信息

混成系统在生产和生活中广泛应用，其安全与隐私问题也相当重要。本论文研究混成系统的安全和隐私问题。从攻击者的角度出发，可以考虑模型学习问题;从防守者的角度出发，可以考虑不透明性问题。以时间自动机作为系统模型，主要针对实时自动机这一特殊的子类开展研究。实时自动机的特殊陛在于它可以在布尔运算和投影运算下封闭，因而实时自动机的语言普遍性问题和语言包含问题都是可判定的。这是一般的时间自动机所不具有的性质。因此，实时自动机的主动学习算法是可行的，不透明性也是可判定的。在实时自动机的不透明性可判定结论的基础上，进一步分析了时间自动机的其他子类的不透明性问题。　　本论文的研究成果分为以下几个部分:　　首先，给出了消去增广实时自动机中的沉默迁移的具体方法，即通过连接运算将连续的沉默迁移的时间集合与可见迁移的时间集合融合，从而得到一个新的迁移。定义了轨迹等价的概念，研究了“事件-时间集”形式的字母表的性质，并用“事件-时间集"有限自动机来模拟增广实时自动机的轨迹。　　分别研究了连续时间语义和离散时间语义下的确定型实时自动机的主动学习算法，在有限自动机的主动学习算法上进行了大量扩展，其关键在于生成假设时，以有限自动机作为过渡。　　接下来，继续考虑实时自动机的不透明性问题。在将有限自动机的不透明性定义扩展到时间模型上之后，利用实时自动机的布尔运算和投影运算，证明了实时自动机模型下的各种不透明性问题都是可判定的。　　在此基础上，探索是否存在满足不透明性问题可判定的时间自动机的其他子类。分析了满足不透明性问题可判定的充分条件，并利用归约证明了限制时钟个数的时间自动机的当前状态不透明性和语言强不透明性问题都是不可判定的。还证明了离散语义下的时间自动机的语言强不透明性和其他不透明性问题是可判定的。　　本论文的创新性贡献包括提出了第一个基于实时自动机的主动学习算法，找到了第一个满足不透明性可判定的时间自动机子类即实时自动机，并且证明了限制时钟个数的时间自动机不透明性不可判定。也猜测，实时自动机是满足不透明性问题可判定的最大子类。此外，修正了事件记录自动机语言强不透明性不可判定的证明过程。

关键词：混成系统实时自动机主动学习算法时间自动机不透明性信息安全

来源：评论

学校读者我要写书评

暂无评论

半监督技术和主动学习相结合的网络入侵检测方法

引用

吉林大学学报（理学版） 2021年第4期59卷 936-942页

作者：曾宏志史洪松江西工程学院智能制造工程学院江西新余338000

针对当前网络入侵具有多样性和易变性,单一方法很难获得理想网络入侵检测结果的问题,为提高网络入侵检测正确率,有效拦截各种网络入侵,提出一种将半监督技术与主动学习相结合的网络入侵检测方法.首先,采集网络入侵数据,提取网络入侵特征... 详细信息

针对当前网络入侵具有多样性和易变性,单一方法很难获得理想网络入侵检测结果的问题,为提高网络入侵检测正确率,有效拦截各种网络入侵,提出一种将半监督技术与主动学习相结合的网络入侵检测方法.首先,采集网络入侵数据,提取网络入侵特征,并采用半监督技术根据特征对网络入侵数据进行聚类处理;其次,采用主动学习算法对聚类后的数据进行训练,构建网络入侵检测的分类器,并引入蚁群算法对构建网络入侵检测的分类器进行优化;最后,采用标准数据集对网络入侵检测方法进行仿真测试.测试结果表明,该方法解决了当前入侵检测方法存在的缺陷,提升了网络入侵检测正确率,漏检率和误检率明显少于经典网络入侵检测方法,同时缩短了网络入侵检测时间,改善了网络入侵检测效率,能更好地保证网络通信和数据传输安全.

关键词：网络入侵半监督技术主动学习算法数据聚类处理分类器参数优化

来源：评论

学校读者我要写书评

暂无评论

基于KNN非局部滤波的高光谱图像分类方法研究

基于KNN非局部滤波的高光谱图像分类方法研究

引用

作者：黄坤山湖南大学

学位级别：硕士

高光谱遥感技术通过数十至数百个连续且细分的光谱波段对目标区域同时成像,成像的每个像元点蕴含丰富的光谱信息,为进行高精度的地物识别和分类提供可能性,因此,高光谱图像分类成为高光谱遥感核心技术之一。然而,如何利用高光谱图像的... 详细信息

高光谱遥感技术通过数十至数百个连续且细分的光谱波段对目标区域同时成像,成像的每个像元点蕴含丰富的光谱信息,为进行高精度的地物识别和分类提供可能性,因此,高光谱图像分类成为高光谱遥感核心技术之一。然而,如何利用高光谱图像的空间信息和如何选取训练样本是高光谱图像面临两大难点。本文针对以上两个难点,进行研究,提出基于KNN非局部滤波的高光谱图像分类方法,并通过主动学习算法指导该分类方法选取训练样本。本文的工作简要概括如下：1.基于KNN非局部滤波的高光谱图像分类方法：该方法先根据高光谱图像的光谱信息,通过支持向量机SVM进行分类得到分类概率图,接着利用基于KNN的非局部滤波提取高光谱图像的空间信息,对先前的分类概率图进行滤波优化,得到最终的分类结果。实验证明,基于KNN的非局部滤波能有效地利用高光谱图像的空间信息提高分类精度。2.联合主动学习与KNN非局部滤波的高光谱图像分类方法：由基于KNN非局部滤波高光谱图像分类方法得到的优化概率图,迭代地指导分类器选取最具信息的样本进行标记,通过主动学习算法建立一组紧凑而高效的训练样本集,让分类器在该训练样本集的训练下取得高精度的分类结果。3.高光谱图像分类软件：基于MFC应用程序框架,利用计算机视觉开源库OpenCV和MATLAB R2014b提供的外部链接库进行联合编程,实现了高光谱图像的读取显示、训练样本的标记以及高光谱图像的分类等功能。本文通过实验验证了所提方法的有效性。实验结果显示：基于KNN非局部滤波的高光谱图像分类方法能够取得高精度的分类结果。通过主动学习,指导该分类器方法选取训练样本,能有效减少训练样本。

关键词：高光谱图像地物分类空谱分类支持向量机 KNN算法主动学习算法

来源：评论

学校读者我要写书评

暂无评论

特定领域命名实体识别通用方法的研究

特定领域命名实体识别通用方法的研究

引用

作者：张磊北京交通大学

学位级别：硕士

命名实体识别对文本中固有名称、标识进行识别,是自然语言处理的基础任务之一,被广泛用于信息抽取、机器翻译、信息检索等多种任务中。命名实体识别在多种领域已经取得了较好的识别效果,但识别方法多根据领域文本特点设计,不具有普遍性... 详细信息

命名实体识别对文本中固有名称、标识进行识别,是自然语言处理的基础任务之一,被广泛用于信息抽取、机器翻译、信息检索等多种任务中。命名实体识别在多种领域已经取得了较好的识别效果,但识别方法多根据领域文本特点设计,不具有普遍性与适应性。经过调研与分析,本文尝试使用基于条件随机场、自学习算法和主动学习算法相结合的方式,实现一个特定领域命名实体识别的通用方法,适用大多数特定领域。特定领域命名实体识别的通用方法实现过程中有两个难点。首先,使用条件随机场对特定领域进行命名实体识别时,根据领域特性选取的特征具有领域独立性,且选取特征的人员需要丰富的专业领域知识。其次,特定领域文本的大规模标注语料难以获取。针对上述两个难点,本文完成了以下工作:(1)基于词向量相似度特征的条件随机场训练。首先使用Word2vec进行词向量训练,通过词向量本身验证词向量包含丰富的语义和领域特性,以及不同语料与不同维度的词向量具有一定的差异性。然后选取任何领域都包含的通用统计特征,以及词向量相似度特征,以递增式学习的策略选择最小完备特征集合参与条件随机场的训练,使得模型具有适应性和领域性。本文在交通领域文本验证了该方法,实验结果表明,词向量相似度特征对提高识别效果有积极的作用。但由于标注样本过少,识别效果仍不理想。(2)在基于使用词向量相似度特征的条件随机场的基础上,采用自学习算法和主动学习算法相结合的方式进一步训练模型。迭代过程中,利用主动学习选取低置信度样本进行人工标注,克服了自学习算法选取过多与原训练样本效用相似数据的问题,以及因初始分类器错误导致标注错误累积的问题,同时利用自学习算法选取高置信度样本自行标注,克服主动学习算法不能有效利用富含信息量样本的问题。实验结果表明,结合上述两种方法的迭代训练相较于仅使用一种方法的训练能更有效地提升识别效果。并通过单一变量变化的方法验证了置信度阈值的选取对模型性能的影响以及人工标注量的影响。

关键词：命名实体识别特定领域条件随机场词向量自学习算法主动学习算法

来源：评论

学校读者我要写书评

暂无评论

基于SVM主动学习的微信公众平台文章监测与实现

基于SVM主动学习的微信公众平台文章监测与实现

引用

作者：高学伟华中师范大学

学位级别：硕士

近年来互联网快速的发展，新兴媒介也不断的涌现，并向移动端蔓延。在智能手机普遍使用的情况下，更是加速了新媒介向移动终端发展的进程。微信作为一款运行在移动端上的社交软件，它与个人的相关信息紧密相连。微信用户增加的同时，微... 详细信息

近年来互联网快速的发展，新兴媒介也不断的涌现，并向移动端蔓延。在智能手机普遍使用的情况下，更是加速了新媒介向移动终端发展的进程。微信作为一款运行在移动端上的社交软件，它与个人的相关信息紧密相连。微信用户增加的同时，微信的信息量也在快速的增长，各种微信信息传播的内容良莠莫辨，与此同时，对微信的舆情挖掘研究也变得日趋重要。与微博相比，微信中信息的传播与推广都很难被发现，所以建立一种微信内容的监测系统就显得很有必要。\n 本文针对微信公众平台的文章难以监控这一难题提出了解决方案，首先通过爬虫采集微信公共平台中的文章，结合本文提出的支持向量机(SVM)与主动学习算法对采集到的文章进行分类，并把不同类别的文章数量统计出来，分类出比较敏感的文章，从而实现了微信公众平台文章监测的目的。最后，针对分类出的敏感文章，可以通知相关公众平台进行修改，从而达到净化网络的目的。\n 本文的主要工作是改进了SVM主动学习算法模型，并把改进的模型应用在了微信公众平台的文章监测中。在对文章进行分类的过程中，为了减少训练样本所需要的代价，选择出区分度高、合理性强的训练样本集是很重要的，而本文正是在训练样本集的过程中提出的改进，在训练样本采集过程时，根据文章在不同类别中的关键词词频不同，对文章做出模糊的类别标注，这使得在训练样本采集过程中提高了训练样本的区分度，从而使算法能训练出更好的分类器，这样在主动学习过程中就会提高标注效率和分类准确率。最后通过实验结果表明，改进的SVM主动学习算法在文本分类中的可行性和性能的优越性，并与传统的SVM分类算法相比在效率上有了一定的提高。

关键词：数据挖掘移动平台支持向量机主动学习算法

来源：评论

学校读者我要写书评

暂无评论

基于半监督分类的遥感图像云判方法研究

基于半监督分类的遥感图像云判方法研究

引用

作者：赵敏中国科学技术大学

学位级别：硕士

卫星遥感技术是一种非常重要的地球空间监测技术，应用广泛。但是在利用遥感卫星获取地表信息的过程中，存在一个难以避免的问题，即云层遮挡的问题，大大影响了遥感图像的成像质量，并为遥感图像的后续处理带来很多困难。因此，进行遥... 详细信息

卫星遥感技术是一种非常重要的地球空间监测技术，应用广泛。但是在利用遥感卫星获取地表信息的过程中，存在一个难以避免的问题，即云层遮挡的问题，大大影响了遥感图像的成像质量，并为遥感图像的后续处理带来很多困难。因此，进行遥感图像的云检测研究可以提高数据利用率，并为遥感图像的后续处理提供便利。\n 传统的遥感图像云检测的算法需要具有足够多的已标记样本，遥感图像因其自身成像的原因具有数据量大和类型复杂多样的特点，很容易获得大量的未标记样本，而已标记样本的获得则需要花费大量的人力物力，而且带有严重的主观评断。为减轻人工标记的代价，利用大量未标记样本的分布信息提高算法的分类精度，本文考虑将半监督分类算法应用于遥感图像云检测中，主要工作如下：\n 1．对现有的遥感图像特征描述算法进行归纳，并给出一种有效地遥感图像特征筛选方法，为遥感图像特征提取研究提供参考；\n 2．设计了一种适合用于遥感图像样本挑选的主动学习算法，在半监督分类算法中，初始的已标记样本对分类结果影响很大，利用设计的主动学习算法可以挑选对分类器最有价值、最具信息量的样本进行人工标记，从而提高算法的分类精度；\n 3．提出一种带约束条件的自我学习算法，通过设定两个约束条件在未标记样本中挑选兼具分类精确度和信息量的样本来更新训练样本集，对分类器自身进行改进学习。该算法在已标记样本相对较少的情况下能够有效地提高遥感图像子图云判别精度；\n 4．提出一种基于基准点的流形正则化算法，将一种适合应用于大样本集的图的构造方法用于流形正则化算法中，实验表明，该算法能够很好的应用于遥感图像子图云判中，并且在已标记样本非常少的情况下能够获得很好的算法性能。

关键词：半监督分类遥感图像云判方法卫星遥感技术主动学习算法

来源：评论

学校读者我要写书评

暂无评论

基于快速序列视觉呈现的跨个体脑-机接口研究

基于快速序列视觉呈现的跨个体脑-机接口研究

引用

作者：盛悦天津大学

学位级别：硕士

跨个体脑-机接口系统相较于传统的个体依赖型脑-机接口(Subject-depend Brain-computer Interface,SDBCI)具有非个体依赖性的特点,用户在使用时可缩短或者不经历校准过程。但由于个体差异性大,背景干扰等因素,使得跨个体脑-机接口系统... 详细信息

跨个体脑-机接口系统相较于传统的个体依赖型脑-机接口(Subject-depend Brain-computer Interface,SDBCI)具有非个体依赖性的特点,用户在使用时可缩短或者不经历校准过程。但由于个体差异性大,背景干扰等因素,使得跨个体脑-机接口系统分类准确率较低,无法广泛应用。因此探究个体通用型脑-机接口系统的影响因素及优化方法至关重要。基于上述背景,本文首先设计了基于快速序列视觉呈现(Rapid Serial Visual Presentation,RSVP)范式的脑电实验,建立了58人的脑电数据库。提取个体单试次的响应数据,通过计算个体间的余弦相似度,发现相较于传统的矩阵刺激范式,RSVP范式下个体间的响应波形相似性更强,证明了RSVP范式诱发的响应波形具有较小的个体差异。接着,通过提取差异波去除个体基线的影响,发现以差异波为特征的分类器性能显著提高(p<0.01)。以此为基础,对影响SDBCI和跨个体脑-机接口分类性能的因素进行了分析,并计算了SDBCI、基于随机匹配算法(Random Matching Algorithm,RMA)和相似匹配算法(Similar Matching Algorithm,SMA)的跨个体脑-机接口的平均AUC值,结果分别为0.8354、0.5948、0.6247。最后进行了基于主动学习(Active Learning,AL)算法的跨个体分类性能优化,提出了SMA-AL算法。基于该算法的跨个体脑-机接口的平均AUC值为0.8194,显著高于SMA(p<0.01)。证明了SMA-AL算法应用于跨个体脑-机接口的可行性,以及相似匹配算法和待测者本身数据对识别效果的促进作用。综上,本文从实验范式、特征提取及分类方法三个方面对跨个体脑-机接口系统的实现方案进行优化。本文探索了个体通用模型的可行性与改善方法,为建立个体通用型的脑-机接口系统,实现不依赖用户的脑-机接口技术提供技术基础。

关键词：脑-机接口事件相关电位个体依赖型脑-机接口跨个体脑-机接口线性判别分析主动学习算法

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：