基于e1范數(shù)和k近鄰融合圖的半監(jiān)督分類算法的應(yīng)用研究.pdf

1、分類號(hào)： 單位代碼：11407 密 級(jí)： 學(xué) 號(hào)：20137165 北方民族大學(xué) 碩士學(xué)位論文 基于 1范數(shù)和k 近鄰融合圖的半監(jiān)督分類算法的應(yīng)用研究 Research on Application of Semi-supervised Classificati

2、on Algorithm Based on 1 Norm and NN kFusion Graph 學(xué) 位 申 請(qǐng) 人： 張?jiān)票?指 導(dǎo) 教 師： 張春梅 教授 申請(qǐng)學(xué)位門類級(jí) 別： 工學(xué)碩士 專 業(yè) 名 稱： 計(jì)算機(jī)應(yīng)用技術(shù) 研 究 方 向： 計(jì)算機(jī)圖形圖像處理 所 在 學(xué) 院： 計(jì)算機(jī)科學(xué)與工程

3、學(xué)院 論 文 完 成 日 期： 2016 年 4 月 II 摘 要 在傳統(tǒng)的機(jī)器學(xué)習(xí)分類方法中， 將只通過未標(biāo)記樣本進(jìn)行分類的方法稱為無監(jiān)督分類，如聚類方法，無監(jiān)督分類方法所取得的分類精度通常難以達(dá)標(biāo)；將利用有標(biāo)記樣本集訓(xùn)練分類器的方法稱為有監(jiān)督分類（或監(jiān)督分類） 。然而，現(xiàn)實(shí)應(yīng)用中獲得有標(biāo)記樣本的成本通常很高，需要花費(fèi)人力和物力對(duì)樣本進(jìn)行標(biāo)注。半監(jiān)督學(xué)習(xí)是指在充分利用有標(biāo)記樣本的基礎(chǔ)上， 通過預(yù)測(cè)或

4、傳播算法將可信度較高的未標(biāo)記樣本轉(zhuǎn)換為偽標(biāo)記樣本進(jìn)行分類的方法， 達(dá)到同時(shí)利用標(biāo)記樣本和未標(biāo)記樣本構(gòu)造分類器的目的。 由于既可以降低成本又可以得到較高的分類精度， 在理論和實(shí)踐中， 半監(jiān)督學(xué)習(xí)受到了廣泛關(guān)注， 它對(duì)提高學(xué)習(xí)性能有著重要指導(dǎo)意義。 在半監(jiān)督學(xué)習(xí)方法中， 由于在實(shí)踐中實(shí)證性的成功和較高的計(jì)算效率， 基于圖的半監(jiān)督學(xué)習(xí)方法成為了最流行的一種半監(jiān)督學(xué)習(xí)方法。 我們發(fā)現(xiàn)， 雖然基于圖的半監(jiān)督學(xué)習(xí)方法最重要的一個(gè)步驟是構(gòu)造圖， 但如

5、何去構(gòu)造一個(gè)好圖至今沒有得到很好的研究。 針對(duì)這個(gè)問題， 我們對(duì)現(xiàn)有圖的構(gòu)造方法進(jìn)行仔細(xì)研究之后， 提出一種基于 1 范數(shù)和k 近鄰融合圖的半監(jiān)督分類算法。本文主要研究工作如下： （1）針對(duì)基于圖的半監(jiān)督學(xué)習(xí)問題，對(duì)圖的構(gòu)造方法進(jìn)行仔細(xì)的研究和分析后，提出一種 1 范數(shù)和k 近鄰融合圖的構(gòu)造方法。該方法通過 1 范數(shù)獲得數(shù)據(jù)的全局性，通過k 近鄰圖保持?jǐn)?shù)據(jù)的局部性。如此，不僅獲得數(shù)據(jù)的全局性也能保持?jǐn)?shù)據(jù)的局部性，從而使所構(gòu)造出的圖可以更

6、接近數(shù)據(jù)的真實(shí)分布。 （2）提出了基于 1 范數(shù)和 k 近鄰融合（LNKNNF）圖的半監(jiān)督分類算法。將高斯隨機(jī)場(chǎng)和諧波函數(shù) （GHF） 以及局部一致和全局一致兩種傳播算法與所構(gòu)造的融合圖相結(jié)合，完成分類任務(wù)。 （3）對(duì) UCI 數(shù)據(jù)集和 USPS 手寫數(shù)據(jù)分別進(jìn)行了實(shí)驗(yàn)，將 LNKNNF 圖的分類性能和指數(shù)權(quán)重圖、k 近鄰圖、 1 范數(shù)圖和低秩表示圖進(jìn)行比較， 結(jié)果表明，基于 1 范數(shù)和k 近鄰融合圖分類正確率均高于其他圖， 使用不同的