隨著多標簽學習方法在多個領域的廣泛應用,對多標簽數(shù)據(jù)進行準確的分類,已成為研究多標簽學習方法的重要課題之一。對于多標簽數(shù)據(jù)來說,互聯(lián)網(wǎng)的快速發(fā)展使得獲取未標注的數(shù)據(jù)變得十分方便,但是想要獲取已標注的多標簽數(shù)據(jù)需要花費大量的時間和金錢。對此,本文充分利用少量已標注樣本和大量未標記樣本,提出了基于不完全監(jiān)督的多標簽分類算法。根據(jù)實現(xiàn)不完全監(jiān)督學習的兩種主要方式,本文將所提出的算法分為:基于主動學習的多標簽分類算法和基于主動半監(jiān)督學習的多標簽分類算法�；谥鲃訉W習的多標簽分類算法,首先根據(jù)多標簽間的相互聯(lián)系,利用陸地移動距離構建一個非對稱的多標簽間相關性矩陣;再將二元信源的熵與多標簽間相關性矩陣相結合的方法計算樣本標簽對的信息含量,并以此作為主動學習的采樣標準;最終將選取的樣本交給人類專家進行標注,迭代地完成主動學習過程。此算法在考慮多標簽間相互關系的同時也考慮了已標注數(shù)據(jù)和未標注數(shù)據(jù)所包含的信息,進一步提高了分類器對于多標簽數(shù)據(jù)的分類性能。基于主動半監(jiān)督學習的多標簽分類算法,是在基于主動學習的多標簽分類算法的基礎上為了進一步提高算法的分類效率,而加入半監(jiān)督學習自動的進行選擇和標注未分類的多... 

【文章來源】：大連海事大學遼寧省 211工程院校

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

圖２．１弱監(jiān)督學習概述圖??Ｆｉｇ．?２．１?Ｔｈｅ?ｏｖｅｒｖｉｅｗ?ｏｆ?ｗｅａｋｌｙ?ｓｕｐｅｒｖｉｓｅｄ?ｌｅａｒｎｉｎｇ??

?大連海事大學專業(yè)學位碩士學位論文???間所對應的地面距離，那么從不同位置運輸多少土到不同的深坑使得總運輸代價??最小，這個最小代價就是陸地移動距離。??ＥＭＤ的計算可以借鑒運籌學領域中著名的最優(yōu)運輸問題的解決方案［４３］。最優(yōu)??運輸問題［４４］是在１７８１年由Ｍｏｎｇｅ教授首次提出的。如圖２．２為一個包含３個產(chǎn)地??與２個銷地的最優(yōu)運輸問題的示例。??圖２．２最優(yōu)運輸問題的示例??Ｆｉｇ．?２．２?Ａｎ?ｅｘａｍｐｌｅ?ｏｆ?ｏｐｔｉｍａｌ?ｔｒａｎｓｐｏｒｔａｔｉｏｎ?ｐｒｏｂｌｅｍ??定義２．９定義Ｐ為包含ｗ個產(chǎn)地的集合Ｐ?＝?表示第ｆ產(chǎn)地所包含??貨品的數(shù)量；２為包含《個銷地的集合０?＝?，幻表示第７產(chǎn)地所需要貨品??的數(shù)量；４表示第／個產(chǎn)地在運輸單位數(shù)量的貨品到第７個銷售地所花費的代價。??運輸產(chǎn)地的貨品到銷地的最小代價如下：??ＷＯＲＫｉＰ＾Ｆ）＾＾＾?（２．１９）??／＝！?．／＝！??需滿足如下約束條件：??ｆｉｊ＾ｄ?＼＜ｉ＜ｍ?１＜，／＜？?（２．２０）??＼＜ｉ＜ｍ?（２．２１）??ＴｒＪｕ＾＾ｊ?（２．２２）??ｎｉ?ｎ?ｎｔ?ｎ??ＳＸ?石／．?＝ｍｉｎ（Ｉ＾＇，Ｉ＾／）?（２．２３?）??ｉ—ｌ?ｊ＝ｌ?ｉ＝ｌ?７＝１??１４??

?大連海事大學專業(yè)學位碩士學位論文???〇、、、０？〇?０?／?０?？?〇?０??〇。０、、、〇、§?０。／?〇０〇?◎??〇?〇、２〇〇／。〇０??０?０?０?０?◎?／、〇ｎ?０?？??〇。〇?ｅ?〇?ｅ?／〇、、、〇?０?？??（Ｄ?〇?３?０?／?〇〇?０、、、〇?〇??〇?０?ｏ?，?０?０?〇?ｏ、、、???ＳＶＭ劃分的超平面??Ｓ３ＶＭ劃分的超平而??？?？？?１丨：類樣本?Ｑ：負類樣本?０?：朱標注樣本??圖４．１半監(jiān)督支持向量機??Ｆｉｇ．?４．１?Ｓｅｍｉ－Ｓｕｐｅｒｖｉｓｅｄ?Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ??直推式支持向量機（Ｔｒａｎｓｄｕｃｔｉｖｅ?Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，ＴＳＶＭ）?［３２］是半監(jiān)??督支持向量機算法中較代表性是算法。ｔｓｖｍ算法運用對未標記樣本進行標簽指??派的方式，令每個未標記樣本分別作為正類樣本和負類樣本，在所有結果中找到??使得數(shù)據(jù)集中全部樣本最大化間隔的分離超平面，此時標注的未標記樣本的標簽??即為其最終的預測標簽。ＴＳＶＭ算法的具體過程如下：??算法４．２直推式半監(jiān)督支持向量機算法：??輸入：??Ｚ?＝?｛（七，乃），．＂＿（Ｗ，），＿＿？，〇？，，乃）１少，ｅ?｛＋１，一１｝｝表示己標注樣本集；??Ｖ?＝?｛ｘｗ，ｘ，＋２，：．．，ｘｍ｝表示未標注樣本集：??折中參數(shù)Ｃ，，松弛變量委２０，／?＝?１，２，．．．，》１：（叫／７）確定了一個分離超平面；??初始化：??１：根據(jù)己標注樣本構建的集合Ｌ，訓練一個ＳＶＭ／；??２：用８＼＾，對［／中的樣本進行標注，得到預測標簽／?＝?｛（免＋｜，

【參考文獻】：
期刊論文
[1]A brief introduction to weakly supervised learning[J]. Zhi-Hua Zhou.  National Science Review. 2018(01)
[2]標簽相關的多標簽分類算法[J]. 喬亞琴,馬盈倉,張毅斌,楊小飛.  紡織高校基礎科學學報. 2017(04)
[3]基于HDP的監(jiān)督多標簽文本分類研究[J]. 謝晨陽,盧焱鑫.  計算機工程與應用. 2017(23)
[4]基于SVM的多示例多標簽主動學習[J]. 李杰龍,肖燕珊,郝志峰,阮奕邦,張麗陽.  計算機工程與設計. 2016(01)
[5]主動學習的多標簽圖像在線分類[J]. 徐美香,孫福明,李豪杰.  中國圖象圖形學報. 2015(02)
[6]半監(jiān)督k近鄰分類方法[J]. 陳日新,朱明旱.  中國圖象圖形學報. 2013(02)
[7]一種半監(jiān)督的多標簽Boosting分類算法[J]. 趙晨陽,佀潔.  計算機應用研究. 2012(09)
[8]一種基于模型共享的半監(jiān)督多標簽圖像學習法[J]. 張大鵬,聞佳,劉曦.  系統(tǒng)仿真學報. 2012(09)
[9]基于加權SVM主動學習的多標簽分類[J]. 劉端陽,邱衛(wèi)杰.  計算機工程. 2011(08)



本文編號：3287475