迁移拉普拉斯总间隔支持向量机

为了提高半监督分类器在已标记和未标记样本的数量均不足时的分类性能,该文在迁移学习的基础上,提出了一种迁移拉普拉斯总间隔支持向量机。首先提出了联合最大均值差异度量准则,从全局和局部两方面衡量不同领域间的分布差异,并将迁移学习的思想引入半监督学习框架,提出了迁移拉普拉斯总间隔支持向量机。实现源域的知识到目标域的迁移,提高了目标域分类器的性能。8个迁移数据集上的实验结果证明,该方法能处理目标域标记和未标记数据均不足场景下的分类任务。

多视角判别度量学习的乳腺影像检索方法

传统的医学影像检索使用单幅影像,但单幅影像中的影像信息有限,且不能有效利用不同角度拍摄的医学影像。为解决这一问题,提出了一种多视角判别度量学习的医学影像检索方法。基于Fisher判别模型在多个视角之间学习鲁棒的度量空间,使得相似的医学影像在度量空间紧密地映射,不相似的医学影像尽可能地彼此分离。同时,设置视角权重因子充分利用每个视角特征的不同表征信息。在“乳腺癌数字存储库”中与4种多视角方法比较,本文提出的方法检索准确率提高7%,识别率更高。

基于简约凸壳的一类模糊支持向量机

为解决传统一类支持向量机对噪声数据敏感和不适用于大规模分类等问题,提出了用于大规模噪声环境的基于简约凸壳的一类模糊支持向量机(OC-FSVM-RCH).OC-FSVM-RCH根据简约凸壳的定义在核空间得到代表正常类数据几何特征的样本,然后基于改进的模糊支持向量域描述算法,使得正常类数据包含在最小超球内,异常数据与超球间隔最大化.OC-FSVM-RCH剔除正常类数据轮廓边缘处的噪声,同时对数据内部的噪声不敏感.实验结果表明了所提算法在性能和训练时间上取得了良好的效果.