基于圖半監(jiān)督學(xué)習(xí)算法的研究及應(yīng)用.pdf

1、有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域兩種常用的學(xué)習(xí)算法，然而當(dāng)訓(xùn)練樣本數(shù)目有限時(shí)，有監(jiān)督學(xué)習(xí)很難準(zhǔn)確的學(xué)習(xí)出樣本的真實(shí)空間分布。無(wú)監(jiān)督學(xué)習(xí)不需要訓(xùn)練樣本，但是對(duì)于空間分布較為復(fù)雜的數(shù)據(jù)，無(wú)監(jiān)督學(xué)習(xí)很難得到好的學(xué)習(xí)效果。針對(duì)此類問(wèn)題，半監(jiān)督學(xué)習(xí)成為機(jī)器學(xué)習(xí)領(lǐng)域近年來(lái)廣受關(guān)注的研究方向。半監(jiān)督學(xué)習(xí)結(jié)合兩種傳統(tǒng)學(xué)習(xí)算法的優(yōu)勢(shì)，利用大量未標(biāo)記樣本輔助有限的有標(biāo)記樣本來(lái)提高學(xué)習(xí)準(zhǔn)確性。
　　 本文以遙感圖像的分類和分割為應(yīng)用背景，在對(duì)傳統(tǒng)

2、的半監(jiān)督學(xué)習(xí)算法和有監(jiān)督PSO分類方法研究的基礎(chǔ)上，提出了一些新的半監(jiān)督學(xué)習(xí)算法，并將其用于高光譜遙感圖像的分類和SAR圖像的分割中。本文的主要工作概括如下：
　　 (1)提出了一種基于判別圖的半監(jiān)督學(xué)習(xí)分類方法，此方法在圖的構(gòu)建過(guò)程中引入了判別信息，充分利用有限的有標(biāo)記樣本的信息構(gòu)建一種判別圖，在此判別圖的基礎(chǔ)上利用傳統(tǒng)的基于圖的半監(jiān)督學(xué)習(xí)框架對(duì)數(shù)據(jù)進(jìn)行分類，提高了分類的正確率。
　　 (2)提出了一種基于l1-圖的半

3、監(jiān)督譜聚類方法，并利用Nystrom逼近加快，l1-圖的構(gòu)建過(guò)程。使用稀疏表示的方法構(gòu)建的l1-圖已被證明在譜聚類算法中有較好的性能，本文在構(gòu)建的l1-圖中通過(guò)添加成對(duì)約束可以提高譜聚類算法的性能。然而當(dāng)樣本數(shù)目較多時(shí)，構(gòu)建l1-圖的復(fù)雜度較高，將其應(yīng)用到圖像分割問(wèn)題的時(shí)候，會(huì)出現(xiàn)計(jì)算量大的問(wèn)題，而Nystrom可以加快算法速度，可將基于l1-圖的譜聚類算法成功用于SAR圖像分割。
　　 (3)提出了一種半監(jiān)督的粒子群優(yōu)化(PS