采用图融合的多模态半协同训练视频分类算法

针对视频数据库的分类,提出了一种将视频数据的多模态特性与基于图的半监督算法相结合的新方法.首先,算法假设数据分散在不同模态的流形上,通过使用给定的每种模态构成一个图.然后,将流形正则化的结果融合在不同的图上,并利用每个图的流形正则化输出上基于排名的判决准则来对排名度量中最有效的样本进行标记.算法迭代执行,直至全部样本被标记.为了进一步提高算法的性能,对前面提出的算法进行改进,在每次迭代中采用更多的标记视频,同时又避免了误差传播.在CCTV-3数据库上运行的仿真实验结果表明,提出的算法无论是在平均精度,还是在精度-召回率性能指标方面都优于现有的单模态流形正则化算法。

信用评分模型中拒绝推断问题研究:基于半监督协同训练法的改进

随着我国金融市场的蓬勃发展,信用评价中的拒绝推断问题越来越受到重视。针对信用评分模型中存在的有类别标签的样本占比低,并且样本中的类别分布不平衡等问题,本文在半监督学习技术与集成学习理论的基础上,提出了一种新的算法——BCT算法。该算法通过使用动态Bagging生成多个子分类器,引入分类阈值参数来解决样本类别分布不平衡问题,以及设定早停止条件来避免算法迭代过程中存在的过拟合风险,以此对传统半监督协同训练法进行改进。通过在5个真实数据集上的实证分析发现,在不同数据集与不同拒绝比例下,BCT算法的性能均优于其他6种有监督学习和半监督学习算法的信用评分模型,显示了BCT算法具有良好的模型泛化性能和更高的模型评价能力。

基于特征融合与半监督协同训练随机森林的包装袋缺陷识别

针对工业生产线中人工检测包装袋缺陷效率低的问题,提出一种基于特征融合与半监督协同训练随机森林的包装袋缺陷识别算法。首先,提取包装袋的颜色和边缘特征,并采用早融合得到融合特征,以增加特征区分度;然后,采用随机森林(RF)和支持向量机(SVM)半监督协同训练,从无标签的样本中选取最有代表性的样本增强样本集,使用增强样本集对RF进行训练,使分类器的识别准确率提高;最后,经过实验验证本文方法的有效性:较颜色和边缘特征,融合特征识别准确率分别提高8.75%和1.24%;较半监督协同训练,特征融合的半监督协同训练识别准确率平均提高3.75%。

Tri-net半监督辐射源个体识别方法

针对有标签通信辐射源信号样本数目较少造成的个体识别准确率较低的问题,提出了Tri-net半监督辐射源个体识别方法,介绍了协同训练中多视图学习的概念和基本思想。在Tri-net深度模型的算法过程中采用加权平均的伪标签轮次赋值方式,并设计出适合实采通用软件无线电外设(Universal Software Radio Peripheral,USRP)辐射源信号样本的神经网络结构。在测试集上验证方法的识别准确率,实验结果表明,相比于全监督方法、单一的伪标签半监督方法和原始的Tri-net半监督方法,添加轮次标签的Tri-net的半监督方法具有更高的识别准确率。

大数据环境下内蒙古浩布高地区铅锌多金属矿智能矿产预测研究

传统机器学习算法已广泛应用于矿产预测，但面对地质大数据的高维稀疏、不平衡小样本等特性仍缺乏有效处理和分析的方法，设计适合地质大数据特点的机器学习算法是智能矿产预测亟需解决的新问题。本文以内蒙古浩布高地区的铅锌多金属矿产预测为例，提出了一种面向地质大数据的半监督协同训练矿产预测模型。首先对研究区地质找矿信息和地球化学异常信息进行定量分析，提取断裂构造、二叠系地层、燕山期侵入岩、地层与岩体接触带、围岩蚀变及Pb、Zn、Sn、Cu地球化学异常共9种找矿因子。然后利用递归特征消除法优选找矿因子组合，不包括Sn异常在内的8个找矿因子组合被选为最优组合。最后，利用支持向量机和随机森林算法作为基分类器进行半监督协同训练矿产预测，绘制成矿概率分布图。ROC曲线和预测度曲线分析结果表明，半监督协同训练模型的AUC值和预测效率都高于随机森林和支持向量机模型。研究结果也为大数据环境下的智能矿产预测提供了一种新的思路。

基于跨语言信息投影的泰语新闻事件抽取

事件抽取是信息抽取研究领域中的一个关键问题。针对采用传统的自我训练方法进行泰语新闻事件抽取,具有错误从上向下传播导致事件抽取系统性能不高的问题,针对这一问题,文中提出一种新的引导框架来进行泰语新闻事件抽取,即跨语言信息投影。该方法将从中文事件抽取系统中获取的信息映射为泰语,并采用结合单语与跨语言半协同训练的方法进行泰语新闻事件抽取。最后通过实验验证了本文所提方法是可行的,并且显著地提高了泰语新闻事件抽取的性能。

主动协同半监督粗糙集分类模型

粗糙集理论是一种有监督学习模型,一般需要适量有标记的数据来训练分类器.但现实一些问题往往存在大量无标记的数据,而有标记数据由于标记代价过大较为稀少.文中结合主动学习和协同训练理论,提出一种可有效利用无标记数据提升分类性能的半监督粗糙集模型.该模型利用半监督属性约简算法提取两个差异性较大的约简构造基分类器,然后基于主动学习思想在无标记数据中选择两分类器分歧较大的样本进行人工标注,并将更新后的分类器交互协同学习.UCI数据集实验对比分析表明,该模型能明显提高分类学习性能,甚至能达到数据集的最优值.