监督式主题模型及其应用综述

主题模型是一种数据挖掘的方法,可以自动地从大量文件或数据中提取潜在的模式或主题,并将对应的数据分配到相应的模式或主题中。主题模型已广泛应用于文本聚类或分类、主题抽取、主题演变、情感分析和摘要总结等领域。监督式主题模型和非监督主题模型的区别在于是否依赖标注信息。近年来,监督式主题模型在数据挖掘任务中逐渐兴起,使得越来越多的任务倾向于采用监督式方法进行优化。陈述了监督式主题模型相关内容,介绍常用的数据集和评价指标;分别从模型和应用的角度对各种类型的监督式主题模型进行了深入对比分析。最后,阐述了主题模型当前研究所面临的挑战,并对未来监督式主题模型的研究方向进行展望。

监督式异构稀疏特征选择的国画分类和预测

为了使用国画底层视觉特征对国画作者进行分类预测,提出了利用监督式异构稀疏特征进行选择的方法.首先通过提取多种底层异构视觉特征对国画风格进行描述,建立国画高级语义信息向底层视觉的映射;然后从这些异构特征中选择出最能代表该作者独特风格的特征子集,实现不同画家迥异的绘画风格与国画底层稀疏特征的对应与转换;最后利用这些特征子集对国画作者进行预测,完成分类任务.实验结果表明,该方法具有较好的国画分类性能.

一种基于免疫的监督式分类算法

人工免疫识别系统(AIRS)已被证实为一种高效的分类器,并成功应用于模式识别等领域。然而AIRS存在的记忆细胞数目庞大、分类准确率低等缺陷,限制了进一步的应用。为克服这些缺陷,提出了一种基于免疫的监督式分类算法(AIUC)。AIUC首先初始化记忆细胞;然后通过对每一个训练抗原的学习,进行B细胞进化,在B细胞收敛后,优选出最佳的B细胞对记忆细胞进行更新;最后通过记忆细胞对测试数据进行kNN分类。就数据集I-ris、Ionosphere、Diabetes和Sonar分别进行的对比实验结果表明,AIUC比AIRS记忆细胞分别减小了5.6%、18%、19.6%和31%,分类准确率提高到98.2%、96.9%、78.3%和92.3%。该算法具有非线性,以及克隆选择、免疫网络和免疫记忆等生物免疫系统特征,可更好地应用于模式识别、异常检测等领域。

自适应监督式分布神经网络及其工业应用

针对工业生产过程的复杂性和时变性 ,提出一种用于工业生产过程建模的自适应监督式分布神经网络 (SDNN)。介绍了 SDNN网络的结构和自适应学习方法 ,并将 SDNN网络与传统建模方法相结合 ,应用于铅锌烧结过程的烧结块成分预测。工业应用结果表明 ,SDNN模型具有较高的预测精度 。

用非监督式聚类进行视频镜头分割

镜头边界检测是基于内容的视频检索首先要解决的问题。研究人员通常将镜头转换分为突变和渐变 ,并根据各种转换的特点采用不同的检测算法。在研究中发现 ,视频镜头的抽象程度与对其进行边界划分的精度相关。为此 ,提出采用非监督式聚类算法 ,按照给定的相似尺度对视频数据进行自组织和动态分析 ,完成层次化的镜头分割。该算法侧重于揭示视频的层次结构 ,能实现不同精度的视频抽象要求。

视频监控下利用改进型YOLOv3的弱监督式异常行为检测

为了对监控视频中的异常行为进行准确高效地检测,提出了一种利用改进型YOLOv3的弱监督式异常行为检测。采用多尺度融合的方式改进YOLOv3网络,利用改进型YOLOv3完成视频中的目标检测,提高计算效率与方法的通用性;利用光流可有效捕捉运动信息这一特性,提出大尺度光流直方图描述符(LSOFH)描述目标行为,以更好地提取异常行为特征;训练最小二乘支持向量机(LSSVM),用于识别监控视频中的异常行为。基于MATLAB仿真平台对所提方法进行实验论证,结果表明,相比于其他方法,所提方法在UCSD数据集、UMN数据集和地铁出口数据集上的表现最佳,曲线下面积(AUC)最大、等错误率(EER)最小且检测率最高,具有较好的应用前景。

基于支持向量机的渐近式半监督式学习算法

提出一种基于支持向量机的渐近式半监督式学习算法,它以少量的有标记数据来训练初始学习器,通过选择性取样规则和核参数来调节无标记样本的选择范围和控制学习器决策面的动态调节方向,并通过删除非支持向量来降低学习代价。仿真实验表明,只要能够选择适当的选择性取样的阈值和核参数,这种学习算法就能够以较少的学习代价获得较好的学习效果。

基于聚类的无监督式入侵检测算法研究

研究基于无监督式聚类的入侵检测算法,提出一种无监督式方法来检测和鉴定未知的异常行为。该方法不依赖于具有标签的数据流。这种无监督的检测采用的是健壮的数据聚类技术,并结合了证据累积的子空间聚类和交互式聚类结果协同的方法来探测性地识别网络数据流量的异常。实验结果表明该无监督式检测技术提高了检测的鲁棒性,检测到的异常行为特征是通过构建高效规则来描述的。检测过程和特征表述的性能在实时网络环境下得到验证。

监督式正交迹比判别投影在图像集人脸识别中的应用

研究、分析了人脸识别中提取原始数据特征的已有方法,在此基础上给出了一种应用监督式正交迹比判别投影(SOTRDP)的新型特征提取方法,即SOTRDP方法。不同于现有的非监督判别投影(UDP)方法,SOTRDP方法能够同时利用局部信息和类别信息建立相似性矩阵。在利用改进局部切空间对齐(ILTSA)非线性降维的基础上,利用聚类中心或最靠近它的样本作为输入,拓展SOTRDP用于图像集人脸识别。在PIE和Honda/UCSD人脸数据库上的实验结果验证了所提方法的有效性。

强化锻炼监督式护理对骨科患者康复进程的影响

随着康复技术水平的提高,骨科疾病死亡率越发降低,生存质量越发提高。康复护理是在患者术后康复过程中,依据总的康复计划,围绕康复目的配合医生等专业康复人员而进行的护理。日常生活中,不少患者因为骨科创伤影响到正常的学习、生活、工作。有的患者虽然诊治及时,用药适当,手术也非常成功,但是常常存在术后遗留的各类功能障碍。所以,在治疗的同时,加强康复锻炼的力度变的极为重要。

监督式谱空间分类器

提出了一种非线性的监督式谱空间分类器(supervised spectral space classifier,简称S3C).S3C首先将输入数据映射到融合了训练数据判别信息的低维监督式谱空间中,然后在该监督式谱空间中构造最大化间隔的最优分割超平面,并把测试数据以无监督的方式也映射到与训练数据相同的新特征空间中,最后,直接应用之前构建的分类超平面对映射后的测试数据进行分类.由于S3C使研究者可以直观地观察到变化后的特征空间和映射后的数据,因此有利于对算法的评价和参数的选择.在S3C的基础上,进一步提出了一种监督式谱空间分类器的改进算法(supervised spectral space transformation,简称S3T).S3T通过采用线性子空间变换和强迫一致的方法,将映射到监督式谱空间内的数据再变换到指定的类别指示空间中去,从而获得关于测试数据的类别指示矩阵,并在此基础上对其进行分类.S3T不仅保留了S3C算法的各项优点,而且还可以用于直接处理多分类问题,抗噪声能力更强,性能更加鲁棒.在人工数据集和真实数据集上的大量实验结果显示,S3C和S3T与其他多种著名分类器相比,具有更加优越的分类性能.

非监督式层次话题情感模型在网络评论主题发现中的应用

自动发现话题的隐含结构、情感的极性及其关系,可以方便用户从海量网络评论集中快速获得他们关注的主要观点.提出一种基于非监督式的层次话题的情感(Unsupervised Level Aspect-Sentiment,ULAS)模型,利用贝叶斯非参数性模型作为先验知识,实现非监督式发现未标记评论文本集话题的层次结构,分析层次话题的情感极性.实验结果表明,相比传统的JST和ASUM模型,ULAS模型具备较高的分类精确度和较强的模型泛化能力,能够解决传统话题情感模型只能在单一粒度话题层进行情感分析的问题,实现多粒度话题层的情感分析,满足用户对于评论对象不同粒度话题的情感信息需求.

强化锻炼监督式护理对骨科患者康复进程的影响

为明确强化锻炼监督式护理对骨科患者康复进程的影响,本研究对骨科患者予以强化锻炼监督式护理,效果较好,现报道如下。1资料与方法1.1临床资料选取2014年4月到2015年7月收治的69例骨科患者,随机分成观察组与对照组,分别是34例和35例。

基于自适应监督式局部线性嵌入的植物叶片识别算法研究

局部线性嵌入(LLE)算法在实际应用中存在显著的缺陷,其中之一就是必须确定近邻参数k。本研究提出一种新的监督自适应LLE算法。根据Fisher投影距离构造了一个相似判断准则,用它设置阈值来帮助选择参数k。不同的样本可以根据其所处数据区域分布的密集程度自适应地选择不同的k值。将这种方法应用于植物叶片分类识别中,试验结果表明叶片平均识别率达到了92.4%,优于传统的LLE和监督的LLE方法。

基于监督式框架的离群检测研究

离群数据检测是数据挖掘的一个重要分支。对离群数据的来源进行了论述，探讨了基于监督的离群数据检测技术。探讨了当前离群数据检测技术的应用。认为，当前离群检测技术已经十分成熟，未来应更加关注数据记录自身的结构信息，并注重与其他领域结合。

结合统计特征和图模型的半监督式中文关键短语抽取方法

关键短语抽取,即从文档中抽取能够表达文档主题和内容的关键短语集合,对于信息检索和文档分类等文本处理任务具有重要意义。然而,现有文献缺乏针对中文特点的关键短语抽取算法的研究。为此,该文提出了一种半监督式中文关键短语抽取模型,该模型采用预训练语言模型来表征短语及文章,以减少算法对大量标注训练数据的依赖;进而提出图模型描述候选短语间的相似性空间并迭代计算各短语的重要度;同时结合了多项统计特征来进一步提高短语评估的准确率。对比实验表明,该文提出的方法在中文关键短语抽取方面比基线方法具有明显的提升效果。

基于MST的优化技术:监督式编译

为将监督式编译技术(supercompilation)的应用扩展到其它程序语言上,分析了监督式编译的各种算法,并进行了对比,总结了不同算法的优缺点。从研究和应用两方面对监督式编译进行分析,并提出新的发展方向。在此基础上,将其它基于系统转换(metasystem transition,MST)的优化技术与监督式编译进行比较,并通过实例结果表明了监督式编译技术的优化能力强于部分求值和砍伐法。

基于监督式机器学习的零件几何特征智能识别

针对在采用机器视觉的无夹具定位的壳体类零件几何参数检测过程中,需要先智能识别零件几何特征以规划检测路径的问题,提出一种基于监督式机器学习的几何特征智能识别方法。利用壳体零件待识别特征的中心位置关系构成特征矩阵,利用监督式机器学习算法进行识别,提出一种基于特征唯一性的纠错方法对分类过程中产生的识别错误进行纠正。对于所涉研究实例,零件共有4个待识别孔,在5次监督式训练后智能识别准确度达100%。

监督式强化学习在路径规划中的应用研究

机器学习分为监督式学习、非监督式学习和强化学习。由于强化学习在学习收敛方面速度较慢,难以在实际控制系统中大规模应用。为解决以上问题,提出一种基于标称控制的监督式强化学习算法,并将其用于机器人的路径规划当中。在训练初始阶段引入导师的先验知识,以增加系统的学习效果,同时逐步弱化导师的监督指导作用,发挥强化学习探索优化的优势,让机器人尽快找到最优路径。针对机器人的路径规划问题,提出其监督式学习算法,进行实验对比分析。结果显示,监督式强化学习能有效降低系统的训练次数,提高机器人路径规划的智能化水平。

基于群智感知和非监督式学习的室内定位指纹库构建算法

针对指纹法定位中的指纹库构建耗费大量人力和时间的问题,提出了一种基于群智感知和非监督式学习的室内定位指纹库构建算法.首先利用群智感知的方式采集无线接入点的接收信号强度获取原始指纹数据集.然后针对原始指纹数据的冗余杂乱和指纹注释问题,提出基于学习向量量化(LVQ)和多维标度(MDS)结合的一种新颖算法FLM来解决.最终有效构建室内定位指纹库.最后基于射线跟踪模型(ray-tracing)建立仿真实验场景,仿真结果表明其指纹库建立效率得到显著提高,应用于基本定位算法的定位误差80%,在2.6,m以下,而且单次定位的计算量下降63%,.