基于極限學(xué)習(xí)機(jī)的半監(jiān)督分類.pdf

1、監(jiān)督學(xué)習(xí)是對標(biāo)記數(shù)據(jù)所包含信息進(jìn)行學(xué)習(xí)，得出分類模型后對無標(biāo)記數(shù)據(jù)進(jìn)行分類，而無監(jiān)督學(xué)習(xí)是直接對無標(biāo)記數(shù)據(jù)信息進(jìn)行學(xué)習(xí)。獲取標(biāo)記數(shù)據(jù)時(shí)需要耗費(fèi)一定的人力和物力資源，則大量標(biāo)記數(shù)據(jù)的獲取通常比較困難，然而伴隨著信息技術(shù)的飛速發(fā)展，收集大量未標(biāo)記數(shù)據(jù)則相當(dāng)容易。若只使用少量標(biāo)記數(shù)據(jù)，有監(jiān)督學(xué)習(xí)訓(xùn)練所得學(xué)習(xí)模型不具有良好的泛化能力，同時(shí)浪費(fèi)了大量未標(biāo)記數(shù)據(jù)所包含的信息；若只使用大量未標(biāo)記數(shù)據(jù)，無監(jiān)督學(xué)習(xí)則忽略了標(biāo)記數(shù)據(jù)的價(jià)值，造成資源浪費(fèi)。因

2、此，如何有效地利用少量標(biāo)記數(shù)據(jù)和大量未標(biāo)記數(shù)據(jù)共同改善學(xué)習(xí)性能的半監(jiān)督學(xué)習(xí)成為當(dāng)前機(jī)器學(xué)習(xí)研究中的熱點(diǎn)問題之一。半監(jiān)督學(xué)習(xí)分為半監(jiān)督聚類和半監(jiān)督分類。半監(jiān)督分類是從監(jiān)督學(xué)習(xí)的角度出發(fā)，在標(biāo)記訓(xùn)練樣本不足時(shí)利用大量未標(biāo)記樣本信息輔助分類器的訓(xùn)練，進(jìn)而提升算法的學(xué)習(xí)精度。
　　極限學(xué)習(xí)機(jī)是近年來提出的一種新穎的機(jī)器學(xué)習(xí)算法，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型不同，極限學(xué)習(xí)機(jī)只要求激活函數(shù)無窮階可微，在輸入權(quán)值和隱藏層偏置值隨機(jī)設(shè)置的情況下，神經(jīng)網(wǎng)絡(luò)的

3、所有參數(shù)就不必迭代調(diào)整，并且只通過一步計(jì)算即可解析求出網(wǎng)絡(luò)的輸出權(quán)值。算法結(jié)構(gòu)簡單計(jì)算速率快。算法優(yōu)良的特性使其廣泛應(yīng)用于函數(shù)逼近、模式識別、數(shù)據(jù)分類等領(lǐng)域。但是，當(dāng)極限學(xué)習(xí)機(jī)應(yīng)用于分類問題時(shí)，由標(biāo)記樣本訓(xùn)練得出的極限學(xué)習(xí)機(jī)的分類模型分類正確率會隨著標(biāo)記樣本的減少而降低。
　　當(dāng)獲取有標(biāo)記數(shù)據(jù)較為困難，而同時(shí)存在大量未標(biāo)記數(shù)據(jù)時(shí)，利用極限學(xué)習(xí)機(jī)算法與半監(jiān)督學(xué)習(xí)的優(yōu)點(diǎn)，提出了基于極限學(xué)習(xí)機(jī)的半監(jiān)督分類算法，本文所做工作如下：

4、　?。?）提出結(jié)合模糊C均值與極限學(xué)習(xí)機(jī)的半監(jiān)督分類算法。當(dāng)數(shù)據(jù)集具有較少標(biāo)記樣本時(shí)，訓(xùn)練得出的極限學(xué)習(xí)機(jī)分類模型的分類正確率較低，這里使用模糊C均值與極限學(xué)習(xí)機(jī)算法利用大量未標(biāo)記樣本信息對標(biāo)記樣本進(jìn)行擴(kuò)充，從而實(shí)現(xiàn)半監(jiān)督分類，當(dāng)數(shù)據(jù)集標(biāo)記樣本較少時(shí)，該算法分類正確率明顯優(yōu)于傳統(tǒng)無監(jiān)督聚類算法FCM以及有監(jiān)督極限學(xué)習(xí)機(jī)分類算法。
　　（2）模糊C均值算法具有易陷入局部最優(yōu)和初始化敏感的缺點(diǎn)。這里使用全局C均值算法對第三章算法進(jìn)行改