基于示例加权支持向量机的多示例学习算法研究

发布时间：2017-03-30 08:15

  本文关键词：基于示例加权支持向量机的多示例学习算法研究，由笔耕文化传播整理发布。

【摘要】：随着Internet的迅速普及,知识和信息的爆炸,人们所面临的数据量急剧增长,各行各业面临着大量的数据处理。这些丰富的数据资源背后,富含着极为重要的、潜在的、有用的知识。在现实世界的数据中,它们往往可能存在误差,例如,属性值的缺损,数据形式的不合适,数据的重复、异常、含噪声、不一致等。因此,如何从这些数据中获取有效的信息是我们仍需解决的问题。多示例学习最初的提出是用来解决药物分子活性预测问题,目的是希望能够从大量的分子中提取出更有活性的分子,来帮助制药公司集中有限的资源用于更有意义的研究。目前,很多经典的多示例学习算法相继提出,如基于支持向量机的多示例学习算法、基于神经网络的多示例学习算法、基于决策树的多示例学习算法等,多示例学习框架得到了广泛的研究与应用,已被应用到如药物活性预测、图像检索、股票预测、物体检测等众多领域。在传统的多示例学习中,训练集由若干个多示例包组成,每个包中包含若干个示例,标签作用于包,而多示例包内的示例没有标签。每个正包至少包含一个正示例,也就是说正包除了含有正示例,还可能包括负示例。另外,负包中的全部示例都是负示例。多示例学习的任务是通过已标记多示例包来学习分类器,并利用其来预测未标记多示例包的标签。本文介绍了支持向量机的相关理论基础,给出了多示例学习的相关研究,着重介绍了在数据受到噪声干扰的情况下,如何结合多示例学习与支持向量机,降低噪声对分类结果的影响。由于数据收集设备误差、传输偏差等原因,多示例包的示例可能存在噪声信息。在这种情况下,传统的多示例学习可能无法有效地处理多示例包中存在的噪声问题。本文在多示例学习与支持向量机结合的基础之上,通过示例加权,降低噪声示例对分类预测的影响。在实验中,本文使用了麝香分子数据集和基于内容的图像检索数据集,对比了多种经典的多示例学习算法。实验结果证明,本文的方法获得了更高的分类精度。
【关键词】：多示例学习 支持向量机 噪声信息
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP181
【目录】：

• 摘要4-5
• Abstract5-11
• 第一章 绪论11-15
• 1.1 研究背景及意义11-12
• 1.2 国内外研究现状12-13
• 1.3 论文主要内容13
• 1.4 论文组织架构13-15
• 第二章 支持向量机理论基础15-22
• 2.1 统计学习理论15-16
• 2.2 支持向量理论16-19
• 2.2.1 线性可分情况17-18
• 2.2.2 非线性情况18-19
• 2.2.3 核函数19
• 2.3 最优化问题求解19-20
• 2.4 支持向量机的应用20-21
• 2.5 本章小结21-22
• 第三章 多示例学习相关研究22-33
• 3.1 经典的多示例学习算法23-27
• 3.1.1 轴平行矩形算法23-24
• 3.1.2 基于概率统计类的多示例学习算法24-25
• 3.1.3 基于算法适应类的多示例学习算法25
• 3.1.4 基于问题转换类的多示例学习算法25-27
• 3.2 经典的基于支持向量机的多示例学习算法27-28
• 3.3 多示例学习与传统学习框架的区别28-30
• 3.4 多示例学习的应用30-31
• 3.5 本章小结31-33
• 第四章 基于示例加权支持向量机的多示例学习算法33-42
• 4.1 多示例数据的噪声问题33-34
• 4.2 多示例学习问题描述34-37
• 4.4 基于示例加权支持向量机的多示例学习算法37-41
• 4.5 本章小结41-42
• 第五章 实验结果与分析42-50
• 5.1 实验数据集合42-44
• 5.1.1 MUSK数据集42-43
• 5.1.2 CBIR数据集43-44
• 5.2 实验设计44-46
• 5.3 实验结果分析46-48
• 5.4 本章小结48-50
• 总结与展望50-52
• 参考文献52-57
• 攻读硕士学位期间发表的学术论文57-59
• 致谢59

【相似文献】

中国期刊全文数据库 前10条

1 吴娟;范玉妹;王丽;;关于改进的支持向量机的研究[J];攀枝花学院学报;2006年05期

2 刘硕明;刘佳;杨海滨;;一种新的多类支持向量机算法[J];计算机应用;2008年S2期

3 尹传环;牟少敏;田盛丰;黄厚宽;;单类支持向量机的研究进展[J];计算机工程与应用;2012年12期

4 王云英;阎满富;;C-支持向量机及其改进[J];唐山师范学院学报;2012年05期

5 李逢焕;;试述不确定支持向量机应用分析及改进思路[J];中国证券期货;2012年12期

6 邵惠鹤;支持向量机理论及其应用[J];自动化博览;2003年S1期

7 曾嵘,蒋新华,刘建成;基于支持向量机的异常值检测的两种方法[J];信息技术;2004年05期

8 张凡,贺苏宁;模糊判决支持向量机在自动语种辨识中的研究[J];计算机工程与应用;2004年21期

9 魏玲,张文修;基于支持向量机集成的分类[J];计算机工程;2004年13期

10 沈翠华,邓乃扬,肖瑞彦;基于支持向量机的个人信用评估[J];计算机工程与应用;2004年23期

中国重要会议论文全文数据库 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[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

4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年

7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

10 侯澍e，

本文编号：276633