基于LNP的半監(jiān)督學(xué)習(xí)算法.pdf

1、半監(jiān)督學(xué)習(xí)利用大量的未標(biāo)記樣本輔助有限的標(biāo)記樣本來提高學(xué)習(xí)的精確性。它是在己標(biāo)記樣本提供的監(jiān)督信息的“引導(dǎo)”下，學(xué)習(xí)全部樣本或只學(xué)習(xí)未標(biāo)記樣本，這不僅減少了人的工作量及人為標(biāo)記所帶來的誤差，而且在一定程度上提高了精確性，因此對(duì)它的研究具有重要的理論價(jià)值和實(shí)際意義。 首先，本文提出了一種基于LNP的增量分類算法：hlcremental LNP。該算法利用了多類LNP本身所隱含的數(shù)據(jù)選擇準(zhǔn)則的優(yōu)勢(shì)，以增量學(xué)習(xí)的方式來實(shí)現(xiàn)。實(shí)驗(yàn)結(jié)果表

2、明，該算法不僅具有良好的收斂性，而且和LNP相比，明顯提高了識(shí)別率；同時(shí)，對(duì)新算法所涉及的兩個(gè)參數(shù)進(jìn)行了研究，證明了當(dāng)選擇合適的參數(shù)時(shí)，可以在有限的迭代步內(nèi)得到更高的識(shí)別率。 其次，將基于LNP的增量學(xué)習(xí)算法應(yīng)用到半監(jiān)督降維中，得到的降維算法也處于迭代過程中，并且可以隨時(shí)輸出任意迭代步的降維結(jié)果。在實(shí)驗(yàn)中，采用最近鄰分類器對(duì)得到的低維數(shù)據(jù)進(jìn)行分類，實(shí)驗(yàn)結(jié)果證明了該方法具有很好的收斂性。 最后，提出了一種基于可分性準(zhǔn)則和L

3、NP的半監(jiān)督學(xué)習(xí)模型：先利用可分性準(zhǔn)則選取模型參數(shù)，然后用LNP對(duì)未標(biāo)記樣本進(jìn)行標(biāo)記，最后利用LDA進(jìn)行降維，而降維后的效果，可以使用最近鄰分類器來檢驗(yàn)。該模型充分利用了LNP和LDA兩種算法的優(yōu)勢(shì)，不僅解決了LDA所面臨的不能解決“單一標(biāo)記樣本”的問題，而且對(duì)LNP中的鄰域尺度參數(shù)的選擇提出了三種可分性準(zhǔn)則。實(shí)驗(yàn)中，通過和一些經(jīng)典的算法進(jìn)行比較，驗(yàn)證了所提出的算法的有效性和優(yōu)越性；同時(shí)對(duì)基于三種可分性準(zhǔn)則的半監(jiān)督學(xué)習(xí)算法進(jìn)行了比較和分