【摘要】：排序是信息檢索領域的核心問題,在眾多應用問題如搜索引擎、協同過濾、藥物發(fā)現與生物信息學中發(fā)揮著越來越重要的作用。排序旨在根據給定的訓練樣本,返回一個反映樣本序關系的列表。由于當前機器學習領域中支持向量機算法獲得的巨大成功,學習已經成為解決排序問題的最重要的方法,排序學習成為了機器學習領域中繼分類與回歸之后涌現出來的學習問題與研究熱點。 然而,目前對排序學習的研究主要集中在監(jiān)督情形。而在現實應用問題中,未標記樣本的獲取比標記樣本更廉價也更容易,我們往往面對的是少量標記樣本和大量未標記樣本共存的情形—即半監(jiān)督排序學習問題。因此本論文圍繞半監(jiān)督排序中的特征提取與模型設計分析兩個環(huán)節(jié)展開研究,主要貢獻如下： 1.針對當前半監(jiān)督排序模型沒有考慮樣本標記的值或樣本標記的差分模度這一問題,提出了兩個半監(jiān)督排序模型：(a)基于圖的直推排序模型。我們基于圖相似性矩陣建立了半監(jiān)督排序模型,導出了閉式解,用其可得到未標記樣本的評分。(b)基于圖的保留模度半監(jiān)督排序模型。利用最小二乘排序損失,我們證明了表示定理并推導出了該模型的閉式解,給出了推廣誤差的上界,證明了其推廣性能與圖的相似性矩陣之間有密切的關系。在推薦任務與量化構效關系分析中的實驗結果表明,該算法比許多主流的排序學習算法具有更好的性能。 2.針對當前半監(jiān)督排序中可使用的核函數類型較少并且沒有考慮非線性特征的正交性這一問題,構建了兩種不同的用于向量型輸入的Legendre核函數：(a)基于正交Legendre多項式的正交Legendre核函數。(b)基于廣義Legendre多項式的廣義Legendre核函數。這些核函數確定的非線性映射的各個分量之間是彼此正交的,因此可以去除數據中的冗余。在一些公共數據集上的實驗結果表明,與已有的Chebyshev正交多項式核函數相比,使用了廣義Legendre核函數的支持向量機算法往往具有較少的支持向量、較高的穩(wěn)定性與更好的推廣性能。 3.針對可應用于半監(jiān)督排序的常用特征提取方法—線性判別分析在現實應用中碰到的小樣本容量問題,提出了兩種線性判別分析準則：(a)加權和判別分析準則。該準則中同時考慮了兩種不同度量—類內散度與類間相似性,其優(yōu)化模型的解最終歸結為一個特征分解問題。因此加權和判別分析準則可以克服小樣本容量問題、提取出任意數量的特征,并在一些標準人臉數據集上獲得了較高的識別精度。(b)值域空間線性判別分析。它是一種兩階段判別準則,在第一階段中將所有樣本投影到類間散度矩陣的值域空間中,然后再實施傳統的線性判別分析。與一些主流判別分析準則相比,該準則的識別精度具有可比性且計算效率較高。
【圖文】：

x115階正交Legendre核SVM在雙螺旋線數據集上的分們使用的數據集可在加州大學歐文分校的機epository) [135]中下載。此處的圖像分割數據集(I構成：磚墻(brickface)、天空(sky)、枝葉(folia

?RL數據集由40個人每人10幅不同圖像一共400幅正面人臉圖像構成，圖像包含了姿態(tài)、光照和面部表情(掙眼/閉眼，微笑/不笑)等各方面的變化以及面部細節(jié)(戴眼鏡/不戴眼鏡)。所有的圖像都是灰度圖像并被緊貼人臉剪切到了92x112像素。為減小計算量，所有圖像被進一步縮放到46x56像素。對每個人，我們隨機選擇6幅圖像用于訓練，，而剩下的4幅圖像則被用于測試。
【學位授予單位】：華中科技大學
【學位級別】：博士
【學位授予年份】：2014
【分類號】：O223

【參考文獻】

相關期刊論文 前1條

1 劉青山,盧漢清,馬頌德;綜述人臉識別中的子空間方法[J];自動化學報;2003年06期

本文編號：2537252