本文選題：標(biāo)記分布　切入點：最小二乘　出處：《鄭州大學(xué)學(xué)報(理學(xué)版)》2017年04期

【摘要】：多標(biāo)記學(xué)習(xí)在一定程度上解決了標(biāo)記多義性問題,它主要關(guān)注實例對應(yīng)的相關(guān)標(biāo)記或者無關(guān)標(biāo)記,而標(biāo)記分布能夠反映相關(guān)標(biāo)記對于實例的重要程度.從重構(gòu)標(biāo)記分布的思想出發(fā),利用最小二乘法建立模型,提出基于最小二乘法的標(biāo)記分布學(xué)習(xí)(lsm-LDL).首先用特征重構(gòu)標(biāo)記,通過變換矩陣使得每一個標(biāo)記能夠表示為特征的一個線性組合;然后用最小二乘法建立優(yōu)化模型;最后引入L_2范數(shù)規(guī)則化項,防止過擬合,保證泛化能力.在4個實際的數(shù)據(jù)集上進行實驗,并與3種已有的標(biāo)記分布學(xué)習(xí)算法在5種評價指標(biāo)上進行比較,實驗結(jié)果表明提出的lsm-LDL算法是有效的.
[Abstract]:Multi-label learning solves the problem of label polysemy to a certain extent. It mainly focuses on the relative or irrelevant markers corresponding to the instance, and the distribution of markers can reflect the importance of the relevant markers to the instance.Based on the idea of reconstructing the label distribution, the model is established by using the least square method, and the label distribution learning based on the least square method is proposed.First, the label is reconstructed by the feature, and each label can be expressed as a linear combination by the transformation matrix. Then, the optimization model is established by using the least square method. Finally, the regularization term of L2 norm is introduced to prevent over-fitting.Ensure generalization ability.Experiments are carried out on four actual data sets and compared with three existing marker distributed learning algorithms on five evaluation indexes. The experimental results show that the proposed lsm-LDL algorithm is effective.
【作者單位】： 閩南師范大學(xué)粒計算重點實驗室;
【基金】：國家自然科學(xué)基金項目(61379049,61379089) 陜西省教育廳專項科研項目(16JK2015)
【分類號】：TP181

【相似文獻】

相關(guān)期刊論文 前10條

1 周波;涂植英;;系統(tǒng)參數(shù)估計的一種快速多步最小二乘法[J];自動化學(xué)報;1989年02期

2 張雨;李賢麗;;基于最小二乘法的溫度場聲學(xué)測量仿真研究[J];科技視界;2012年31期

3 萬鈞力;李光陽;;基于最小二乘法舵機測控參數(shù)的修正[J];自動化技術(shù)與應(yīng)用;2014年01期

4 張軍;最小二乘法在經(jīng)典階躍響應(yīng)辯識中的應(yīng)用[J];包頭鋼鐵學(xué)院學(xué)報;2000年04期

5 張志涌;偏差校正最小二乘法參數(shù)辯識的分析和仿真[J];福州大學(xué)學(xué)報(自然科學(xué)版);1987年03期

6 李江紅,胡照文;基于最小二乘法的多層前向神經(jīng)網(wǎng)絡(luò)構(gòu)造學(xué)習(xí)算法[J];長沙電力學(xué)院學(xué)報(自然科學(xué)版);1999年02期

7 喬培玉;何昕;魏仲慧;;加權(quán)整體最小二乘法在光學(xué)自準(zhǔn)直法測量撓曲角中的應(yīng)用[J];光學(xué)精密工程;2012年09期

8 張凱;顏磊;;基于最小二乘法的方管周邊曲線擬合[J];常熟理工學(xué)院學(xué)報;2009年02期

9 文忠,俞金壽,華向明;非線性部分最小二乘法在催化劑活性建模中的應(yīng)用[J];華東理工大學(xué)學(xué)報;1998年06期

10 鄭金華;周聰;李珂;呂卉;;基于最小二乘法的高維目標(biāo)減少算法[J];控制理論與應(yīng)用;2011年07期

相關(guān)會議論文 前2條

1 馮純伯;張穎;;應(yīng)用最小二乘法辯識閉環(huán)系統(tǒng)[A];1994年中國控制會議論文集[C];1994年

2 郭愛民;劉正光;;FCC過程穩(wěn)態(tài)數(shù)據(jù)協(xié)調(diào)與檢測的研究[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

，

本文編號：1708370