發(fā)布時間：2018-03-24 18:54

  本文選題：MIMLSVM　切入點：聚類　出處：《計算機科學(xué)》2017年12期

【摘要】：針對多示例多標記學(xué)習(xí)算法MIMLSVM只從包層面構(gòu)造聚類,而忽略了包內(nèi)示例分布對分類造成影響這一不足,提出一種基于概念權(quán)重向量的MIMLSVM改進算法——I-MIMLSVM算法。首先從示例層面構(gòu)造聚類,挖掘出示例中的潛在概念簇,運用R-PATTERN算法計算每個概念簇的概念權(quán)重;然后利用TF-IDF算法計算每個概念簇在各個示例包中的重要度;最后將示例包表示為概念權(quán)重向量,向量的每一維即為概念簇的概念權(quán)重與其在該包中的重要度的乘積。將該算法在包含2000幅圖像的自然數(shù)據(jù)集上進行實驗驗證,結(jié)果表明改進的算法在分類性能上整體優(yōu)于原算法,尤其在Hamming loss,Coverage和Average precision這3個測評指標上較為明顯。
[Abstract]:According to the multi instance multi label learning algorithm MIMLSVM from package level structure clustering, while ignoring the bag sample distribution on the classification effects caused by this problem, an improved algorithm is proposed based on the concept of weight vector MIMLSVM - I-MIMLSVM algorithm. First, the level of structure from the sample clustering, mining potential cases of cluster show concept, the concept of weight calculation each cluster using R-PATTERN algorithm; then calculate each concept in each cluster in the sample package using the TF-IDF algorithm to an important degree; finally the sample package is expressed as the weight of the concept vectors, each vector dimension is the weight of the concept and concept of cluster in the package of the product. The algorithm is verified in the natural data contains 2000 image sets, the results show that the improved algorithm in the overall classification performance is better than the original algorithm, especially in Hamming loss, Coverage Average and precision The 3 indicators are more obvious.

【作者單位】： 中國礦業(yè)大學(xué)計算機科學(xué)與技術(shù)學(xué)院;
【基金】：江蘇省產(chǎn)學(xué)研聯(lián)合創(chuàng)新資金前瞻性聯(lián)合研究項目(BY2014028-09)資助
【分類號】：TP181

【相似文獻】

相關(guān)期刊論文 前10條

1 石一輝;易攀;張承學(xué);;快速開方算法在微控制器上的實現(xiàn)[J];計算機技術(shù)與發(fā)展;2007年04期

2 劉劍;陳建;鄔連學(xué);;一種數(shù)字PID控制算法分析[J];承德石油高等�？茖W(xué)校學(xué)報;2007年03期

3 杜衛(wèi)林;李斌;田宇;;量子退火算法研究進展[J];計算機研究與發(fā)展;2008年09期

4 張元良;楊巍巍;劉青;程鵬;;蟻群算法在路徑規(guī)劃中的應(yīng)用[J];數(shù)字技術(shù)與應(yīng)用;2013年05期

5 葉寧;分階搜索法對雪爾維斯特問題的算法分析[J];現(xiàn)代計算機(專業(yè)版);2001年10期

6 林志毅;李元香;王玲玲;;基于混合遷移行為的自組織遷移算法[J];計算機科學(xué);2008年12期

7 張曉明;王儒敬;宋良圖;;一種新的進化算法——種子優(yōu)化算法[J];模式識別與人工智能;2008年05期

8 蔡尯;李春生;;高維小采樣數(shù)據(jù)集的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法[J];齊齊哈爾大學(xué)學(xué)報(自然科學(xué)版);2012年04期

9 章曙光,蔡慶生;一種基于屬性組合的權(quán)重向量選取模型[J];微機發(fā)展;2004年11期

10 譚浪;任慶生;;智能目標穿越傳感區(qū)域的改進算法[J];計算機仿真;2007年08期

相關(guān)會議論文 前5條

1 劉永清;蔡廣基;劉泉寶;;群體決策中最優(yōu)權(quán)重向量的計算[A];1995年中國智能自動化學(xué)術(shù)會議暨智能自動化專業(yè)委員會成立大會論文集（下冊）[C];1995年

2 劉遠新;鄧飛其;羅艷輝;舒添慧;;ERP柔性平臺下物流運輸配送系統(tǒng)算法分析[A];第二十六屆中國控制會議論文集[C];2007年

3 謝樝;汪國皓;;WSN中一種基于分簇的多跳相對定位算法[A];2007'儀表，，自動化及先進集成技術(shù)大會論文集（二）[C];2007年

4 高炳巖;劉悅;;基于熵權(quán)的改進ISODATA聚類算法的研究[A];內(nèi)容計算的研究與應(yīng)用前沿——第九屆全國計算語言學(xué)學(xué)術(shù)會議論文集[C];2007年

5 謝樝;鄧林;任廷;洪艷;;一種基于LEACH的改進路由算法[A];全國第19屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集（下冊）[C];2008年

相關(guān)博士學(xué)位論文 前9條

1 張敏霞;生物地理學(xué)優(yōu)化算法及其在應(yīng)急交通規(guī)劃中的應(yīng)用研究[D];浙江工業(yè)大學(xué);2015年

2 卜晨陽;演化約束優(yōu)化及演化動態(tài)優(yōu)化求解算法研究[D];中國科學(xué)技術(shù)大學(xué);2017年

3 劉新旺;多核學(xué)習(xí)算法研究[D];國防科學(xué)技術(shù)大學(xué);2013年

4 曾國強;改進的極值優(yōu)化算法及其在組合優(yōu)化問題中的應(yīng)用研究[D];浙江大學(xué);2011年

5 王維博;粒子群優(yōu)化算法研究及其應(yīng)用[D];西南交通大學(xué);2012年

6 林川;粒子群優(yōu)化與差分進化算法研究及其應(yīng)用[D];西南交通大學(xué);2009年

7 盛歆漪;粒子群優(yōu)化算法及其應(yīng)用研究[D];江南大學(xué);2015年

8 張宇山;進化算法的收斂性與時間復(fù)雜度分析的若干研究[D];華南理工大學(xué);2013年

9 謝剛;免疫思維進化算法及其工程應(yīng)用[D];太原理工大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 黃廈;基于改進蟻群算法的柔性作業(yè)車間調(diào)度問題研究[D];昆明理工大學(xué);2015年

2 徐翔燕;人工魚群優(yōu)化算法及其應(yīng)用研究[D];西南交通大學(xué);2015年

3 安豐洋;基于無線網(wǎng)絡(luò)的廣播算法研究[D];曲阜師范大學(xué);2015年

4 霍艷麗;面向路徑規(guī)劃的多策略和變異算子蟻群算法研究[D];南昌大學(xué);2015年

5 白瑞;分布估計算法研究與應(yīng)用[D];新疆大學(xué);2015年

6 邵娜娜;蟻群算法求解最大團問題研究與應(yīng)用[D];河北工業(yè)大學(xué);2015年

7 王創(chuàng)業(yè);基于進化算法的電力經(jīng)濟調(diào)度優(yōu)化研究[D];華北電力大學(xué);2015年

8 趙鴻楠;基于蜂群算法的云計算負載均衡問題研究[D];哈爾濱工業(yè)大學(xué);2014年

9 楊鵬程;改進的人工蜂群算法在無線傳感器部署問題上的應(yīng)用與研究[D];南京大學(xué);2015年

10 張影影;基于群智能優(yōu)化技術(shù)的無線傳感網(wǎng)分簇路由算法研究[D];南京郵電大學(xué);2015年

本文編號：1659591