【摘要】：對于監(jiān)督學(xué)習(xí)模型,足夠多的已標(biāo)注樣例是獲得高精度分類器的前提條件。但現(xiàn)實中,未標(biāo)注樣例在總樣例中占比較大,而人工標(biāo)注樣例成本昂貴,需要控制訓(xùn)練樣例集的數(shù)量和質(zhì)量。如何高效地選出具有高分類貢獻度的無類標(biāo)樣例進行標(biāo)注并補充到已有訓(xùn)練集中,以便逐步提高分類器精度與魯棒性是主動學(xué)習(xí)亟待解決的關(guān)鍵問題。另外,大部分主動學(xué)習(xí)研究局限于封閉的樣例集,如何將主動學(xué)習(xí)應(yīng)用到開放的實際生產(chǎn)環(huán)境中且能達到較高的分類精度也非常值得研究。針對BvSB樣例選擇算法存在的類間均衡性問題和孤立點問題,采用不確定性和代表性相結(jié)合的思想,提出了Center+reBvSB樣例選擇算法。首先利用K-Means聚類選擇代表性訓(xùn)練集A,再采用reBvSB樣例選擇算法挑選代表性邊緣均衡樣例集合B,最后整合A和B并更新訓(xùn)練集。實驗結(jié)果表明,該算法選出的樣例可以幫助分類器提高分類精度和魯棒性。將Center+reBvSB樣例選擇算法集成到主動學(xué)習(xí)算法中,提出了改進BvSB的主動學(xué)習(xí)算法。利用在線識別產(chǎn)生的錯分樣例池結(jié)合原始樣例池,對分類器進行重新訓(xùn)練,可以進一步提升分類器的識別能力。利用Mnist數(shù)據(jù)集模擬實際在線識別場景,實驗結(jié)果表明,改進的主動學(xué)習(xí)算法具有較好的魯棒性和較高的識別精度。
[Abstract]:For supervised learning model, sufficient number of labeled samples is a prerequisite for obtaining high accuracy classifiers. However, in reality, unlabeled samples account for a large proportion of the total samples, while manual labeling is expensive, so it is necessary to control the quantity and quality of training samples. It is a key problem to solve the problem of active learning that how to efficiently select the non-class sample with high classification contribution and add to the existing training set in order to improve the accuracy and robustness of classifier step by step. In addition, most of the active learning research is confined to the closed sample set, how to apply active learning to the open production environment and achieve high classification accuracy is also worth studying. Aiming at the problem of inter-class equilibrium and outliers in BvSB sample selection algorithm, a Center reBvSB sample selection algorithm is proposed by combining uncertainty and representativeness. Firstly, K-Means clustering is used to select representative training set A, then reBvSB sample selection algorithm is used to select representative edge equilibrium sample set B. finally, A and B are integrated and the training set is updated. Experimental results show that the proposed algorithm can improve the accuracy and robustness of the classifier. The Center reBvSB sample selection algorithm is integrated into the active learning algorithm, and an improved BvSB active learning algorithm is proposed. The recognition ability of the classifier can be further improved by retraining the classifier by using the error sample pool generated by on-line recognition combined with the original sample pool. The Mnist dataset is used to simulate the real online recognition scene. The experimental results show that the improved active learning algorithm has better robustness and higher recognition accuracy.
【學(xué)位授予單位】：河北大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP181

【參考文獻】

相關(guān)期刊論文 前10條

1 高成;陳秀新;于重重;劉宇;;基于主動學(xué)習(xí)的圖半監(jiān)督分類算法[J];計算機工程與設(shè)計;2015年07期

2 徐美香;孫福明;李豪杰;;主動學(xué)習(xí)的多標(biāo)簽圖像在線分類[J];中國圖象圖形學(xué)報;2015年02期

3 金良;曹永鋒;蘇彩霞;任俊英;;基于HS樣本選擇和BvSB反饋的多類圖像分類[J];貴州師范大學(xué)學(xué)報(自然科學(xué)版);2014年04期

4 余凱;賈磊;陳雨強;徐偉;;深度學(xué)習(xí)的昨天、今天和明天[J];計算機研究與發(fā)展;2013年09期

5 曹永鋒;陳榮;孫洪;;基于BvSBHC的主動學(xué)習(xí)多類分類算法[J];計算機科學(xué);2013年08期

6 李海峰;李純果;;深度學(xué)習(xí)結(jié)構(gòu)和算法比較分析[J];河北大學(xué)學(xué)報(自然科學(xué)版);2012年05期

7 劉康;錢旭;王自強;;主動學(xué)習(xí)算法綜述[J];計算機工程與應(yīng)用;2012年34期

8 陳榮;曹永鋒;孫洪;;基于主動學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的多類圖像分類[J];自動化學(xué)報;2011年08期

9 韓光;趙春霞;胡雪蕾;;一種新的SVM主動學(xué)習(xí)算法及其在障礙物檢測中的應(yīng)用[J];計算機研究與發(fā)展;2009年11期

10 胡正平;高文濤;萬春艷;;基于樣本不確定性和代表性相結(jié)合的可控主動學(xué)習(xí)算法研究[J];燕山大學(xué)學(xué)報;2009年04期

相關(guān)碩士學(xué)位論文 前5條

1 徐艷;基于主動學(xué)習(xí)的圖像標(biāo)注方法研究[D];遼寧工業(yè)大學(xué);2014年

2 白龍飛;基于支持向量機的主動學(xué)習(xí)方法研究[D];山西大學(xué);2012年

3 劉峰濤;基于樣例池類標(biāo)改變率的主動學(xué)習(xí)算法終止準則研究[D];河北大學(xué);2011年

4 王珍鈺;基于不確定性的主動學(xué)習(xí)算法研究[D];河北大學(xué);2011年

5 趙秋煥;兩種主動學(xué)習(xí)方法[D];河北大學(xué);2010年

，

本文編號：2213023