本文關鍵詞：基于示例加權支持向量機的多示例學習算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著Internet的迅速普及,知識和信息的爆炸,人們所面臨的數據量急劇增長,各行各業(yè)面臨著大量的數據處理。這些豐富的數據資源背后,富含著極為重要的、潛在的、有用的知識。在現實世界的數據中,它們往往可能存在誤差,例如,屬性值的缺損,數據形式的不合適,數據的重復、異常、含噪聲、不一致等。因此,如何從這些數據中獲取有效的信息是我們仍需解決的問題。多示例學習最初的提出是用來解決藥物分子活性預測問題,目的是希望能夠從大量的分子中提取出更有活性的分子,來幫助制藥公司集中有限的資源用于更有意義的研究。目前,很多經典的多示例學習算法相繼提出,如基于支持向量機的多示例學習算法、基于神經網絡的多示例學習算法、基于決策樹的多示例學習算法等,多示例學習框架得到了廣泛的研究與應用,已被應用到如藥物活性預測、圖像檢索、股票預測、物體檢測等眾多領域。在傳統的多示例學習中,訓練集由若干個多示例包組成,每個包中包含若干個示例,標簽作用于包,而多示例包內的示例沒有標簽。每個正包至少包含一個正示例,也就是說正包除了含有正示例,還可能包括負示例。另外,負包中的全部示例都是負示例。多示例學習的任務是通過已標記多示例包來學習分類器,并利用其來預測未標記多示例包的標簽。本文介紹了支持向量機的相關理論基礎,給出了多示例學習的相關研究,著重介紹了在數據受到噪聲干擾的情況下,如何結合多示例學習與支持向量機,降低噪聲對分類結果的影響。由于數據收集設備誤差、傳輸偏差等原因,多示例包的示例可能存在噪聲信息。在這種情況下,傳統的多示例學習可能無法有效地處理多示例包中存在的噪聲問題。本文在多示例學習與支持向量機結合的基礎之上,通過示例加權,降低噪聲示例對分類預測的影響。在實驗中,本文使用了麝香分子數據集和基于內容的圖像檢索數據集,對比了多種經典的多示例學習算法。實驗結果證明,本文的方法獲得了更高的分類精度。
【關鍵詞】：多示例學習 支持向量機 噪聲信息
【學位授予單位】：廣東工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP181
【目錄】：

• 摘要4-5
• Abstract5-11
• 第一章 緒論11-15
• 1.1 研究背景及意義11-12
• 1.2 國內外研究現狀12-13
• 1.3 論文主要內容13
• 1.4 論文組織架構13-15
• 第二章 支持向量機理論基礎15-22
• 2.1 統計學習理論15-16
• 2.2 支持向量理論16-19
• 2.2.1 線性可分情況17-18
• 2.2.2 非線性情況18-19
• 2.2.3 核函數19
• 2.3 最優(yōu)化問題求解19-20
• 2.4 支持向量機的應用20-21
• 2.5 本章小結21-22
• 第三章 多示例學習相關研究22-33
• 3.1 經典的多示例學習算法23-27
• 3.1.1 軸平行矩形算法23-24
• 3.1.2 基于概率統計類的多示例學習算法24-25
• 3.1.3 基于算法適應類的多示例學習算法25
• 3.1.4 基于問題轉換類的多示例學習算法25-27
• 3.2 經典的基于支持向量機的多示例學習算法27-28
• 3.3 多示例學習與傳統學習框架的區(qū)別28-30
• 3.4 多示例學習的應用30-31
• 3.5 本章小結31-33
• 第四章 基于示例加權支持向量機的多示例學習算法33-42
• 4.1 多示例數據的噪聲問題33-34
• 4.2 多示例學習問題描述34-37
• 4.4 基于示例加權支持向量機的多示例學習算法37-41
• 4.5 本章小結41-42
• 第五章 實驗結果與分析42-50
• 5.1 實驗數據集合42-44
• 5.1.1 MUSK數據集42-43
• 5.1.2 CBIR數據集43-44
• 5.2 實驗設計44-46
• 5.3 實驗結果分析46-48
• 5.4 本章小結48-50
• 總結與展望50-52
• 參考文獻52-57
• 攻讀碩士學位期間發(fā)表的學術論文57-59
• 致謝59

【相似文獻】

中國期刊全文數據庫 前10條

1 吳娟;范玉妹;王麗;;關于改進的支持向量機的研究[J];攀枝花學院學報;2006年05期

2 劉碩明;劉佳;楊海濱;;一種新的多類支持向量機算法[J];計算機應用;2008年S2期

3 尹傳環(huán);牟少敏;田盛豐;黃厚寬;;單類支持向量機的研究進展[J];計算機工程與應用;2012年12期

4 王云英;閻滿富;;C-支持向量機及其改進[J];唐山師范學院學報;2012年05期

5 李逢煥;;試述不確定支持向量機應用分析及改進思路[J];中國證券期貨;2012年12期

6 邵惠鶴;支持向量機理論及其應用[J];自動化博覽;2003年S1期

7 曾嶸,蔣新華,劉建成;基于支持向量機的異常值檢測的兩種方法[J];信息技術;2004年05期

8 張凡,賀蘇寧;模糊判決支持向量機在自動語種辨識中的研究[J];計算機工程與應用;2004年21期

9 魏玲,張文修;基于支持向量機集成的分類[J];計算機工程;2004年13期

10 沈翠華,鄧乃揚,肖瑞彥;基于支持向量機的個人信用評估[J];計算機工程與應用;2004年23期

中國重要會議論文全文數據庫 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風險評估模型[A];第六屆（2011）中國管理學年會——商務智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學會2005年信息技術與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機學習方法[A];全國第19屆計算機技術與應用（CACIS）學術會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機的系統辨識方法研究及應用[A];中國力學大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機方法預測膜蛋白類型[A];第十一次中國生物物理學術大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學與技術應用學術會議論文集[C];2003年

8 周星宇;王思元;;智能數學與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機算法[A];2006中國控制與決策學術年會論文集[C];2006年

10 侯澍e，

本文編號：276633