基于聚类与分类结合的多示例预测算法研究

发布时间：2016-11-21 09:06

本文关键词：基于高光谱遥感图像分类的水域变化检测，由笔耕文化传播整理发布。

《山东建筑大学》 2016年

基于聚类与分类结合的多示例预测算法研究

顾世忍

【摘要】：多示例学习的主要目的是通过学习训练集中的概念,为一些不可预知的包获取正确的类别标签。目前大量学者对多示例学习的理论及应用进行了研究,并取得了丰富的成果,然而多数研究工作都是在训练集中包的标签已知的情况下进行的。对于包中不含有标签的无监督多示例学习,可用的算法依然很少。而在多数情况下获取训练包的标签是一件很困难的事,或者需要花费很大的代价,并且无监督学习可以有效挖掘数据集的内部结构,所以研究无监督多示例学习算法具有重要的意义。在传统的监督和无监督学习中,每个数据对象都用单一示例进行表示,在多示例学习中,每个对象用一个包含多个示例的包表示。目前集中在多示例预测问题上的大多研究工作中,每个训练集中组成的包都含有一个二进制或者实值的类别标签,可以理解为传统意义上的分类和回归问题。本文为了解决无监督多示例学习的问题,提出了基于聚类与分类结合的多示例预测算法。算法的第一步是通过多示例聚类算法完成无标签训练包的聚类工作,用一些距离度量方法来测量包之间的相似性,采用聚类分析中通用的k-均值算法,将没有标记的训练包划分成k个互不相交的簇。算法的第二步是基于此聚类结果,将每个包重新表示为一个k维的特征向量,定义其第i维的特征值为这个包到第i个聚簇中所有包的平均距离,并将该簇的类别作为标签。在所有包都被转换为对应的特征向量后,就可以使用常用的监督学习算法来学习被转换的特征向量了,本文主要使用了三种不同的分类器算法进行实验。通过在标准多示例模型和广义的多示例模型上进行多次实验,并与其它多种多示例预测算法进行对比,研究证明了本文算法的有效性,并且在不同种类的多示例预测问题上都具有较高的准确度。

【关键词】：
【学位授予单位】：山东建筑大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;TP311.13
【目录】：

下载全文更多同类文献

CAJ全文下载

(如何获取全文？欢迎：购买知网充值卡、在线充值、在线咨询)

CAJViewer阅读器支持CAJ、PDF文件格式

【参考文献】

中国期刊全文数据库前10条

1 李杰龙;肖燕珊;郝志峰;阮奕邦;张丽阳;;基于SVM的多示例多标签主动学习[J];计算机工程与设计;2016年01期

2 何清;李宁;罗文娟;史忠植;;大数据下的机器学习算法综述[J];模式识别与人工智能;2014年04期

3 王科平;杨艺;王新良;;包空间多示例图像自动分类[J];中国图象图形学报;2013年09期

4 王骏;王士同;邓赵红;;聚类分析研究中的若干问题[J];控制与决策;2012年03期

5 甘睿;印鉴;;通过挖掘示例中的概念来解决多示例学习问题[J];计算机研究与发展;2011年S3期

6 汪洪桥;孙富春;蔡艳宁;陈宁;丁林阁;;多核学习方法[J];自动化学报;2010年08期

7 刘艳红;薛安荣;史习云;;K-means聚类与SVDD结合的新的分类算法[J];计算机应用研究;2010年03期

8 谢红薇;李晓亮;;基于多示例的K-means聚类学习算法[J];计算机工程;2009年22期

9 闫友彪,陈元琰;机器学习的主要策略综述[J];计算机应用研究;2004年07期

10 蔡自兴,李枚毅;多示例学习及其研究现状[J];控制与决策;2004年06期

中国博士学位论文全文数据库前1条

1 陈涛;多示例学习算法及其应用研究[D];华南理工大学;2013年

中国硕士学位论文全文数据库前4条

1 黄晗;基于改进BP神经网络多示例学习的自然图像分类算法研究[D];安徽大学;2014年

2 桑应宾;基于K近邻的分类算法研究[D];重庆大学;2009年

3 杨志武;多示例学习算法研究[D];郑州大学;2007年

4 彭璐;支持向量机分类算法研究与应用[D];湖南大学;2007年

【共引文献】

中国期刊全文数据库前10条

1 王杏杏;潘林;高凌霞;夏锦红;李顺群;;黄土微结构的谱系聚类分析[J];深圳大学学报(理工版);2016年04期

2 杜海平;;农作物品种最佳聚类方法研究[J];山西农业科学;2016年07期

3 马家军;;基于大间距准则的混合核Fisher判别分析[J];重庆工商大学学报(自然科学版);2016年03期

4 朱斐;许志鹏;刘全;伏玉琛;王辉;;基于可中断Option的在线分层强化学习方法[J];通信学报;2016年06期

5 牟冬梅;任珂;;三种数据挖掘算法在电子病历知识发现中的比较[J];现代图书情报技术;2016年06期

6 陈法法;李冕;肖文荣;钟先友;;基于局部切空间排列与WSVM的滚动轴承故障诊断[J];组合机床与自动化加工技术;2016年06期

7 陈旻骋;袁景凌;王啸岩;朱赛;;基于弱相关化特征子空间选择的离散化随机森林并行分类算法[J];计算机科学;2016年06期

8 陈兴国;俞扬;;强化学习及其在电脑围棋中的应用[J];自动化学报;2016年05期

9 顾世忍;;基于多示例聚类的协同过滤算法[J];信息化建设;2016年05期

10 张友海;李锋刚;;基于Hadoop的并行化聚类系统的设计[J];赤峰学院学报(自然科学版);2016年09期

中国硕士学位论文全文数据库前10条

1 顾世忍;基于聚类与分类结合的多示例预测算法研究[D];山东建筑大学;2016年

2 姜小燕;基于非负矩阵分解的图像分类算法研究[D];辽宁工业大学;2016年

3 孙宁;基于高光谱遥感图像分类的水域变化检测[D];南昌工程学院;2015年

4 仝伯兵;分类方法组合技术的应用研究[D];江南大学;2015年

5 刘帮;多核SVR在污水处理出水指标建模中的应用研究[D];湖南工业大学;2015年

6 席利君;基于小波分析的氧化铝配料过程非平稳时间序列预测[D];湖南工业大学;2015年

7 史佳;基于聚类与K近邻算法的LKJ运行记录数据分析及故障诊断[D];兰州交通大学;2015年

8 李祥楠;空中加油系统软管燃油压力测量算法研究[D];西北大学;2015年

9 杨蕊;基于内容的电子商务图像分类研究[D];西北大学;2015年

10 魏紫京;农业信息搜索引擎分类器的研究[D];东北农业大学;2015年

【二级参考文献】

中国期刊全文数据库前10条

1 李国杰;程学旗;;大数据研究:未来科技及经济社会发展的重大战略领域——大数据的研究现状与科学思考[J];中国科学院院刊;2012年06期

2 钱鹏江;王士同;邓赵红;徐华;;基于最小包含球的大数据集快速谱聚类算法[J];电子学报;2010年09期

3 王骏;王士同;;基于混合距离学习的双指数模糊C均值算法[J];软件学报;2010年08期

4 王骏;王士同;王晓明;;基于特征加权距离的双指数模糊子空间聚类算法[J];控制与决策;2010年08期

5 唐颖军;须德;解文杰;薄一航;;一种基于类主题空间的图像场景分类方法[J];中国图象图形学报;2010年07期

6 李大湘;彭进业;李展;;基于半监督多示例学习的对象图像检索[J];控制与决策;2010年07期

7 李大湘;彭进业;贺静芳;;基于EMD-CkNN多示例学习算法的图像分类[J];光电子.激光;2010年02期

8 路晶;马少平;;使用基于多例学习的启发式SVM算法的图像自动标注[J];计算机研究与发展;2009年05期

9 皋军;王士同;;具有特征排序功能的鲁棒性模糊聚类方法[J];自动化学报;2009年02期

10 黎铭;周志华;;基于多核集成的在线半监督学习方法[J];计算机研究与发展;2008年12期

中国博士学位论文全文数据库前3条

1 曾璞;面向语义提取的图像分类关键技术研究[D];国防科学技术大学;2009年

2 程起敏;基于内容的遥感影像库检索关键技术研究[D];中国科学院研究生院（遥感应用研究所）;2004年

3 夏定元;基于内容的图像检索通用技术研究及应用[D];华中科技大学;2004年

中国硕士学位论文全文数据库前10条

1 汪旗;基于直推式多示例学习的图像分类算法研究[D];安徽大学;2013年

2 龙哲;基于SVDD的多示例学习方法的研究[D];杭州电子科技大学;2012年

3 胡凌子;基于情感语义的图像内容标注研究[D];太原理工大学;2010年

4 王春燕;基于多示例学习的图像检索方法研究[D];北京林业大学;2010年

5 李昱;半监督流形学习算法研究和应用[D];西安电子科技大学;2010年

6 王灵均;昆山就业预测模型分析与研究[D];苏州大学;2009年

7 张旭;基于BP神经网络的清洁生产评价模型研究[D];重庆大学;2009年

8 龚慧超;基于多示例学习的图像内容过滤算法研究[D];南京理工大学;2008年

9 徐磊;多样性密度学习算法的研究与应用[D];哈尔滨工业大学;2008年

10 曾奇森;基于内容的图像检索相关技术研究[D];南京理工大学;2007年

【相似文献】

中国重要报纸全文数据库前1条

1 何国明岳贵云;[N];中国国防报;2002年

中国硕士学位论文全文数据库前1条

1 顾世忍;基于聚类与分类结合的多示例预测算法研究[D];山东建筑大学;2016年

中国知网广告投放