基于多视角学习和迁移学习的分类方法及应用研究
发布时间：2021-10-05 00:34
由于现今时代处于信息爆炸时期,机器学习也因此获得了重大的发展,尤其在聚类、分类和回归等领域获得了阶级式的跨越。分类仍旧是现今机器学习中最重要的研究领域之一,其在语义分析、图像识别、人脸识别等实际应用场景中发挥着重要的作用。然而,随着社会的不断发展和进步以及计算机领域的革新,数据量不断增大,很多新兴数据的应用场景不断被扩充,也因此带来了很多传统机器学习方法所无法适应的新问题:收集的数据形式多种多样,且其内在关系结构较为复杂;收集到的有标记数据的数量十分有限。这些可能会造成经典的分类方法应用于这些场景时无法适应,因而面临更加严酷的挑战:一方面数据多样性增加,已有的经典分类方法会忽略各种形式的数据的内在关系,进而导致此类方法在处理这种数据时无法得到满意的效果;另一方面由于可收集的有标记样本的严重缺乏,使得传统分类方法对此类数据直接进行处理建模时无法获得较好的泛化能力,效果较差。因此,本课题主要解决在新兴数据的挑战下,如何将经典的机器学习分类算法进行拓展,以期能够应对新兴数据应用场景中出现的上述问题,最终得到更好的分类性能。为了解决经典的分类方法在上述提到的新兴数据应用场景中所需应对的挑战,本...
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：111 页
【学位级别】：博士
【部分图文】：
人工智能与其他学科及领域的关系示意图
习方法进行研究并改进，以期得到能够解决新兴数据应用场景中的问题的更加智能的方法。机器学习是通过特定的算法来分析处理数据，并学习总结规律，以此对真实世界的未知事件作出预判和决策。较传统算法中只具备解决特定问题的硬编码程序不同，机器学习具有更强的“学习”能力，以提前“训练”大量数据来获取预判未知的能力，具体过程如下：首先选择数据，即将原始数据分为训练、验证和测试三部分，然后使用训练数据来构建相应的模型，之后将验证数据用于验证模型的有效性，然后在测试数据上测试模型最终的性能表现。下面通过图1-2来形象化展示机器学习的工作流程。图1-2机器学习工作流程Fig.1-2Theprocessofmachinelearning机器学习是在早期人工智能发展起来的，其包括决策树[8]、逻辑回归[10]、聚类[24]和强化学习[28]等。众所周知，我们还没有实现强人工智能，而早期机器学习方法甚至都无法实现
江南大学博士学位论文4弱人工智能。但经过多年的发展，已经产生了很多基于机器学习的经典方法，按照数据有无标签，可以将机器学习做如下的三种划分：1)监督学习(SupervisedLearning)[6-7]，是一种利用已知类别的样本调整分类器的参数，从而达到所需性能的的学习方式，这种方式既有数据也有标签。常见的监督式学习有：回归和分类。回归(Regression)[6]：其通过对预先给定的数据集中的函数和坐标点进行学习，运用模型估计给定数据集的函数，并求得一个最符合给定数据集的函数表达式。然后我们即可利用创建的模型(即函数表达式)来预估输入新的自变量时，会输出的数据。其中，作为输入的是特征向量，输出的是标签，且标签值是连续的；分类(Classification)[7]：通过对给定的数据集的特征向量和其标签的学习，实现对未知标签的特征向量的数据的标签给定。它和回归的最大区别就是看输出结果是离散还是连续的。图1-3显示的是分类的形象化示例。图1-3分类形象化示例Fig.1-3Visualizationexampleofclassification常用算法有：决策树[8]、线性回归[9]、逻辑回归[10]、K-近邻[11]、朴素贝叶斯[12]、随机森林[13]、支持向量机[14]、模糊系统[15]和神经网络[16]等。图1-4聚类形象化示例Fig.1-4Anexampleofclustering
【参考文献】：
期刊论文
[1]基于划分自适应融合的多视角模糊聚类算法[J]. 邓赵红,张丹丹,蒋亦樟,刘解放,王士同. 控制与决策. 2016(04)
[2]熵加权多视角协同划分模糊聚类算法[J]. 蒋亦樟,邓赵红,王骏,钱鹏江,王士同. 软件学报. 2014(10)
本文编号：3418644
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：111 页
【学位级别】：博士
【部分图文】：
人工智能与其他学科及领域的关系示意图
习方法进行研究并改进，以期得到能够解决新兴数据应用场景中的问题的更加智能的方法。机器学习是通过特定的算法来分析处理数据，并学习总结规律，以此对真实世界的未知事件作出预判和决策。较传统算法中只具备解决特定问题的硬编码程序不同，机器学习具有更强的“学习”能力，以提前“训练”大量数据来获取预判未知的能力，具体过程如下：首先选择数据，即将原始数据分为训练、验证和测试三部分，然后使用训练数据来构建相应的模型，之后将验证数据用于验证模型的有效性，然后在测试数据上测试模型最终的性能表现。下面通过图1-2来形象化展示机器学习的工作流程。图1-2机器学习工作流程Fig.1-2Theprocessofmachinelearning机器学习是在早期人工智能发展起来的，其包括决策树[8]、逻辑回归[10]、聚类[24]和强化学习[28]等。众所周知，我们还没有实现强人工智能，而早期机器学习方法甚至都无法实现
江南大学博士学位论文4弱人工智能。但经过多年的发展，已经产生了很多基于机器学习的经典方法，按照数据有无标签，可以将机器学习做如下的三种划分：1)监督学习(SupervisedLearning)[6-7]，是一种利用已知类别的样本调整分类器的参数，从而达到所需性能的的学习方式，这种方式既有数据也有标签。常见的监督式学习有：回归和分类。回归(Regression)[6]：其通过对预先给定的数据集中的函数和坐标点进行学习，运用模型估计给定数据集的函数，并求得一个最符合给定数据集的函数表达式。然后我们即可利用创建的模型(即函数表达式)来预估输入新的自变量时，会输出的数据。其中，作为输入的是特征向量，输出的是标签，且标签值是连续的；分类(Classification)[7]：通过对给定的数据集的特征向量和其标签的学习，实现对未知标签的特征向量的数据的标签给定。它和回归的最大区别就是看输出结果是离散还是连续的。图1-3显示的是分类的形象化示例。图1-3分类形象化示例Fig.1-3Visualizationexampleofclassification常用算法有：决策树[8]、线性回归[9]、逻辑回归[10]、K-近邻[11]、朴素贝叶斯[12]、随机森林[13]、支持向量机[14]、模糊系统[15]和神经网络[16]等。图1-4聚类形象化示例Fig.1-4Anexampleofclustering
【参考文献】：
期刊论文
[1]基于划分自适应融合的多视角模糊聚类算法[J]. 邓赵红,张丹丹,蒋亦樟,刘解放,王士同. 控制与决策. 2016(04)
[2]熵加权多视角协同划分模糊聚类算法[J]. 蒋亦樟,邓赵红,王骏,钱鹏江,王士同. 软件学报. 2014(10)
本文编号：3418644
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3418644.html
