基于概念权重向量的MIMLSVM改进算法

发布时间：2018-03-24 18:54

  本文选题：MIMLSVM　切入点：聚类　出处：《计算机科学》2017年12期

【摘要】：针对多示例多标记学习算法MIMLSVM只从包层面构造聚类,而忽略了包内示例分布对分类造成影响这一不足,提出一种基于概念权重向量的MIMLSVM改进算法——I-MIMLSVM算法。首先从示例层面构造聚类,挖掘出示例中的潜在概念簇,运用R-PATTERN算法计算每个概念簇的概念权重;然后利用TF-IDF算法计算每个概念簇在各个示例包中的重要度;最后将示例包表示为概念权重向量,向量的每一维即为概念簇的概念权重与其在该包中的重要度的乘积。将该算法在包含2000幅图像的自然数据集上进行实验验证,结果表明改进的算法在分类性能上整体优于原算法,尤其在Hamming loss,Coverage和Average precision这3个测评指标上较为明显。
[Abstract]:According to the multi instance multi label learning algorithm MIMLSVM from package level structure clustering, while ignoring the bag sample distribution on the classification effects caused by this problem, an improved algorithm is proposed based on the concept of weight vector MIMLSVM - I-MIMLSVM algorithm. First, the level of structure from the sample clustering, mining potential cases of cluster show concept, the concept of weight calculation each cluster using R-PATTERN algorithm; then calculate each concept in each cluster in the sample package using the TF-IDF algorithm to an important degree; finally the sample package is expressed as the weight of the concept vectors, each vector dimension is the weight of the concept and concept of cluster in the package of the product. The algorithm is verified in the natural data contains 2000 image sets, the results show that the improved algorithm in the overall classification performance is better than the original algorithm, especially in Hamming loss, Coverage Average and precision The 3 indicators are more obvious.

【作者单位】： 中国矿业大学计算机科学与技术学院;
【基金】：江苏省产学研联合创新资金前瞻性联合研究项目(BY2014028-09)资助
【分类号】：TP181

【相似文献】

相关期刊论文 前10条

1 石一辉;易攀;张承学;;快速开方算法在微控制器上的实现[J];计算机技术与发展;2007年04期

2 刘剑;陈建;邬连学;;一种数字PID控制算法分析[J];承德石油高等专科学校学报;2007年03期

3 杜卫林;李斌;田宇;;量子退火算法研究进展[J];计算机研究与发展;2008年09期

4 张元良;杨巍巍;刘青;程鹏;;蚁群算法在路径规划中的应用[J];数字技术与应用;2013年05期

5 叶宁;分阶搜索法对雪尔维斯特问题的算法分析[J];现代计算机(专业版);2001年10期

6 林志毅;李元香;王玲玲;;基于混合迁移行为的自组织迁移算法[J];计算机科学;2008年12期

7 张晓明;王儒敬;宋良图;;一种新的进化算法——种子优化算法[J];模式识别与人工智能;2008年05期

8 蔡尯;李春生;;高维小采样数据集的贝叶斯网络结构学习算法[J];齐齐哈尔大学学报(自然科学版);2012年04期

9 章曙光,蔡庆生;一种基于属性组合的权重向量选取模型[J];微机发展;2004年11期

10 谭浪;任庆生;;智能目标穿越传感区域的改进算法[J];计算机仿真;2007年08期

相关会议论文 前5条

1 刘永清;蔡广基;刘泉宝;;群体决策中最优权重向量的计算[A];1995年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集（下册）[C];1995年

2 刘远新;邓飞其;罗艳辉;舒添慧;;ERP柔性平台下物流运输配送系统算法分析[A];第二十六届中国控制会议论文集[C];2007年

3 谢樝;汪国皓;;WSN中一种基于分簇的多跳相对定位算法[A];2007'仪表，，自动化及先进集成技术大会论文集（二）[C];2007年

4 高炳岩;刘悦;;基于熵权的改进ISODATA聚类算法的研究[A];内容计算的研究与应用前沿——第九届全国计算语言学学术会议论文集[C];2007年

5 谢樝;邓林;任廷;洪艳;;一种基于LEACH的改进路由算法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

相关博士学位论文 前9条

1 张敏霞;生物地理学优化算法及其在应急交通规划中的应用研究[D];浙江工业大学;2015年

2 卜晨阳;演化约束优化及演化动态优化求解算法研究[D];中国科学技术大学;2017年

3 刘新旺;多核学习算法研究[D];国防科学技术大学;2013年

4 曾国强;改进的极值优化算法及其在组合优化问题中的应用研究[D];浙江大学;2011年

5 王维博;粒子群优化算法研究及其应用[D];西南交通大学;2012年

6 林川;粒子群优化与差分进化算法研究及其应用[D];西南交通大学;2009年

7 盛歆漪;粒子群优化算法及其应用研究[D];江南大学;2015年

8 张宇山;进化算法的收敛性与时间复杂度分析的若干研究[D];华南理工大学;2013年

9 谢刚;免疫思维进化算法及其工程应用[D];太原理工大学;2006年

相关硕士学位论文 前10条

1 黄厦;基于改进蚁群算法的柔性作业车间调度问题研究[D];昆明理工大学;2015年

2 徐翔燕;人工鱼群优化算法及其应用研究[D];西南交通大学;2015年

3 安丰洋;基于无线网络的广播算法研究[D];曲阜师范大学;2015年

4 霍艳丽;面向路径规划的多策略和变异算子蚁群算法研究[D];南昌大学;2015年

5 白瑞;分布估计算法研究与应用[D];新疆大学;2015年

6 邵娜娜;蚁群算法求解最大团问题研究与应用[D];河北工业大学;2015年

7 王创业;基于进化算法的电力经济调度优化研究[D];华北电力大学;2015年

8 赵鸿楠;基于蜂群算法的云计算负载均衡问题研究[D];哈尔滨工业大学;2014年

9 杨鹏程;改进的人工蜂群算法在无线传感器部署问题上的应用与研究[D];南京大学;2015年

10 张影影;基于群智能优化技术的无线传感网分簇路由算法研究[D];南京邮电大学;2015年

本文编号：1659591