基于转移学习的单分类的研究与应用

发布时间：2021-02-20 21:28

　　在人工智能极速展开的大数据时代,对于数据的需求越来越高,如独立同分布和数据量充足等,但是并不是在所有情况下都能获得想要的数据,就好像我们并不是总具备自己需要的知识,因此,像知识迁移一样的转移学习逐渐进入到人们的视野,并广泛应用至支持向量机等传统分类器中。而传统的监督学习模型中如支持向量机（SVM）等需要多类样本作为训练集,但在实际应用中,则很难实现或者为此需付出的很高的代价,如敌我辨识,设施缺陷等,往往只能获得一个标签的样本。并且在我们的生活中有这样的一种问题,我们需要的类只有一个,其余的都是离群类,我们也并不在乎离群类的标签是什么,这就是单分类问题。本文研究的内容就是如何将转移学习算法应用到单分类问题中去,并进行实验判断二者融合后性质是否良好。本文采用以核均值匹配算法为基础的基于样本的直推式转移学习算法进行转移学习,并应用支持向量数据描述算法进行单分类数值实验。在实验中,我们由FDA与Tcm^SP获取的药典数据并以Dragon软件对药物分子向量化后,通过经过转移学习的单分类问题用成型的西药分析中药药性,并通过已有的数据通过分析ROC曲线及对应的AUC值判断迁移效果... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：42 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与课题意义
    1.2 国内外研究现状
        1.2.1 转移学习的研究现状
        1.2.2 单分类问题的研究现状
        1.2.3 单分类支持向量机的研究现状
    1.3 本文的主要内容与章节安排
2 预备知识
    2.1 主成分分析
    2.2 k均值算法
    2.3 核函数
    2.4 评价标准
        2.4.1 ROC曲线
        2.4.2 AUC值
3 转移学习与单分类
    3.1 转移学习
    3.2 最大平均差异
        3.2.1 最大均值差异（MMD）的定义
        3.2.2 再生核希尔伯特空间（RKHS）上的MMD
    3.3 核均值匹配算法
    3.4 单分类问题
    3.5 单分类支持向量机
    3.6 支持向量数据描述算法
        3.6.1 球型数据描述
        3.6.2 负样本的支持向量描述
4 基于转移学习的单分类的研究与应用
    4.1 基于转移学习的单分类算法
    4.2 参数选择策略
    4.3 实验结果分析
        4.3.1 定性分析
        4.3.2 定量分析
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢


【参考文献】：
期刊论文
[1]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植.  软件学报. 2015(01)
[2]TL-SVM:一种迁移学习算法[J]. 许敏,王士同,顾鑫.  控制与决策. 2014(01)
[3]基于支持向量的单类分类方法综述[J]. 吴定海,张培林,任国全,陈非.  计算机工程. 2011(05)
[4]基于支持向量数据描述的分类方法研究[J]. 李瑜,郑敏娟,程国建.  计算机工程. 2009(01)
[5]一种约减支持向量域描述算法RSVDD[J]. 梁锦锦,刘三阳,吴德.  西安电子科技大学学报. 2008(05)

博士论文
[1]单分类支持向量机的学习方法研究[D]. 王洪波.浙江大学 2012



本文编号：3043372