發(fā)布時(shí)間：2020-06-12 19:03

【摘要】：多標(biāo)記學(xué)習(xí)是處理真實(shí)世界具有豐富語(yǔ)義對(duì)象的主要學(xué)習(xí)框架之一。在人工智能、機(jī)器學(xué)習(xí)等方面應(yīng)用廣泛。在多標(biāo)記學(xué)習(xí)中,示例具有多種標(biāo)記屬性,而這些標(biāo)記間存在局部或者全局的相關(guān)性。顯然合理利用標(biāo)記間的這種關(guān)系可以獲得額外的分類信息,這有利于提高多標(biāo)記學(xué)習(xí)系統(tǒng)的性能。在真實(shí)世界中,樣本的標(biāo)記數(shù)通常遠(yuǎn)小于未標(biāo)記數(shù),否則示例的多義性將失去意義。但不可否認(rèn)的是未知標(biāo)記中也可能包含了大量有價(jià)值信息。目前很多考慮標(biāo)記相關(guān)性學(xué)習(xí)算法都是假定標(biāo)記間相關(guān)性是對(duì)稱的,然而標(biāo)記間關(guān)系并非一定對(duì)稱�；�于以上考慮,本文展開研究,主要工作如下:(1)目前眾多的研究者通常直接將標(biāo)簽置信度矩陣作為先驗(yàn)知識(shí)直接加入到分類模型中,并沒有考慮未標(biāo)注先驗(yàn)知識(shí)對(duì)標(biāo)簽集質(zhì)量的影響�；�于此提出一種非平衡化標(biāo)記補(bǔ)全的核極限學(xué)習(xí)機(jī)多標(biāo)記學(xué)習(xí)算法:首先使用信息熵計(jì)算標(biāo)記之間的相關(guān)關(guān)系得到標(biāo)記置信度矩陣,然后利用非平衡參數(shù)方法對(duì)基礎(chǔ)的標(biāo)記置信度矩陣進(jìn)行改進(jìn),構(gòu)建出一個(gè)非平衡的標(biāo)記補(bǔ)全矩陣,最后為了學(xué)習(xí)獲得更加準(zhǔn)確的標(biāo)記置信度矩陣,將非平衡化的標(biāo)記補(bǔ)全矩陣與核極限學(xué)習(xí)機(jī)進(jìn)行聯(lián)合學(xué)習(xí),依此來解決多標(biāo)記分類問題。(2)針對(duì)近鄰空間的標(biāo)記相關(guān)性問題,利用近鄰空間中元素的相關(guān)性提升近鄰標(biāo)記空間的質(zhì)量,提出一種近鄰標(biāo)記空間的非平衡化標(biāo)記補(bǔ)全算法:首先利用標(biāo)記之間的信息熵來衡量標(biāo)記之間關(guān)系的強(qiáng)弱,進(jìn)而獲得基礎(chǔ)標(biāo)記置信度矩陣;然后利用提出的非平衡標(biāo)記置信度矩陣計(jì)算方法,獲得包含更多信息的非平衡標(biāo)記置信度矩陣;接下來度量樣本在特征空間中的相似度,得到k個(gè)近鄰標(biāo)記空間樣本,再利用非平衡標(biāo)記置信度矩陣計(jì)算得到近鄰標(biāo)記空間的標(biāo)記補(bǔ)全矩陣,最后利用極限學(xué)習(xí)機(jī)作為線性分類器進(jìn)行分類。(3)考慮樣本特征空間信息進(jìn)行重構(gòu),增強(qiáng)特征空間的樣本聯(lián)系的同時(shí)引入標(biāo)記相關(guān)性信息,提出一種結(jié)合均值漂移和非平衡化標(biāo)記補(bǔ)全的多標(biāo)記學(xué)習(xí)算法:首先利用均值漂移聚類方法將特征空間中特征間的信息進(jìn)行重構(gòu);接著利用標(biāo)記之間的信息熵來衡量標(biāo)記之間關(guān)系的強(qiáng)弱,進(jìn)而獲得基礎(chǔ)標(biāo)記置信度矩陣;然后利用提出的非平衡標(biāo)記置信度矩陣計(jì)算方法,獲得包含更多信息的非平衡化標(biāo)記補(bǔ)全矩陣;最后利用重構(gòu)的特征空間與非平衡化的標(biāo)記補(bǔ)全矩陣構(gòu)成新的訓(xùn)練集,根據(jù)新的訓(xùn)練集采用已有的線性分類器進(jìn)行預(yù)測(cè)。
【圖文】：

下優(yōu)于其他算法。④ 對(duì)于 ML-KNN 算法，72%情況下，，在統(tǒng)計(jì)上與其他算法沒有顯著差異；在況下優(yōu)于其他算法。從上述分析可知，KELM-NeLC 算法性能最優(yōu)，在 68%的情況下，在統(tǒng)計(jì)上優(yōu)于算法，其次是 LIFT 算法，在 36%的水平下，在統(tǒng)計(jì)上優(yōu)于其它算法，第三是 RE法，在 16%的水平下優(yōu)于其它算法。以上實(shí)驗(yàn)進(jìn)一步地說明了 KELM-NeLC 算法的有效性，標(biāo)記間相關(guān)關(guān)系語(yǔ)義的合。

32(e)RL圖 4.2 不同評(píng)估指標(biāo)下的基準(zhǔn)多標(biāo)記數(shù)據(jù)集測(cè)試的穩(wěn)定性指數(shù)4.5 本章小結(jié)在多標(biāo)記分類學(xué)習(xí)中，近鄰標(biāo)記空間中引入對(duì)標(biāo)記相關(guān)性的研究可以提升分類器分類性能，為了充分利用這一關(guān)系本章引入了非平衡參數(shù)，本章提出了一種近鄰標(biāo)記空間的非平衡化標(biāo)記補(bǔ)全算法 NeLC-NLS。將非平衡化標(biāo)記置信度矩陣與近鄰標(biāo)記空間結(jié)合，提升了近鄰標(biāo)記空間的質(zhì)量，并將其統(tǒng)一在一個(gè)學(xué)習(xí)框架下。實(shí)驗(yàn)結(jié)果表明，NeLC-NLS 算法優(yōu)于一些常見的多標(biāo)記學(xué)習(xí)算法。
【學(xué)位授予單位】：安慶師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：C81

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 何志芬;楊明;劉會(huì)東;;多標(biāo)記分類和標(biāo)記相關(guān)性的聯(lián)合學(xué)習(xí)[J];軟件學(xué)報(bào);2014年09期

2 張振海;李士寧;李志剛;陳昊;;一類基于信息熵的多標(biāo)簽特征選擇算法[J];計(jì)算機(jī)研究與發(fā)展;2013年06期

3 張敏靈;;一種新型多標(biāo)記懶惰學(xué)習(xí)算法[J];計(jì)算機(jī)研究與發(fā)展;2012年11期

4 鄧萬宇;鄭慶華;陳琳;許學(xué)斌;;神經(jīng)網(wǎng)絡(luò)極速學(xué)習(xí)方法研究[J];計(jì)算機(jī)學(xué)報(bào);2010年02期

相關(guān)碩士學(xué)位論文 前1條

1 殷洪峰;基于標(biāo)簽相關(guān)性的多標(biāo)簽分類算法及其在帕金森診療領(lǐng)域中的應(yīng)用[D];南京大學(xué);2017年

本文編號(hào)：2709965