基于聚类标签均值的半监督支持向量机

针对标签均值半监督支持向量机在图像分类中随机选取无标记样本会导致分类正确率不高,以及算法的稳定性较低的问题,提出了基于聚类标签均值的半监督支持向量机算法。该算法修改了原算法对于无标记样本的惩罚项,对选取的无标记样本聚类,使用聚类标签均值替换标签均值。实验结果表明,使用聚类标签均值训练的分类器大大减少了背景与目标的错分情况,提高了分类的正确率以及算法的稳定性,适合用于图像分类。

标签均值的自训练半监督支持向量机用于EEG分类

研究半监督学习方法在EEG分类中的应用。结合标签均值和自训练思想提出两种新的半监督支持向量机方法。首先通过未标记样本的预测值估计标签均值,然后对未标记样本的标签进行优化。在此基础上提出了两种半监督支持向量机方法,一种是基于多核学习的标签均值自训练半监督支持向量机(Means4vm_mkl);一种是基于迭代优化的标签均值自训练半监督支持向量机(Means4vm_iter)。对BCI Competition Dataset中的3组数据进行仿真实验,讨论分类正确率和运算效率两个指标。结果表明,两种方法均有较高的分类正确率,尤其在BCIⅠ数据集中,Means4vm_mkl方法达到了竞赛第一名的水平96%;而且运算效率较高,最快的只需29.5 s,为在线BCI系统的设计奠定了基础。

基于均值漂移的半监督支持向量机图像分类

标签均值半监督支持向量机(meanS3VM)在图像分类中随机选取少量无标记样本训练分类器的正确率较低,且其参数取值使结果波动性较大,针对这一问题,提出基于均值漂移(mean shift)的meanS3VM图像分类方法。以mean shift平滑图为分类对象,以降低图像特征多样性;在每个平滑区域随机选取一个样本作为无标记样本,以保证其携带对分类有用的信息而得到高效的分类器;探讨并改进参数取值方法,网格寻优敏感参数,参数ep结合支持向量机(SVM)预分类和mean shift结果估计,以获取更好更稳定的结果。实验结果表明,所提方法对普通和加噪图像的分类正确率比改进参数取值的原算法分别平均提高1和5个百分点以上,获得了更高的时间效率,且有效避免了分类结果的波动性,适用于图像分类。