基于GAN思想的半监督分类

发布时间：2021-11-10 01:06

　　对于分类问题,基于大量有标签数据的监督学习研究已经取得了很多成果,但现实中想要获取充足的有标签样本非常困难.实际我们能获得的大部分数据都是无标签的或者所含标签值是绝大部分缺失的,所以关于通过学习大量无标签数据中的数据信息来帮助提高模型泛化能力的半监督学习算法一直是我们研究的热点与难点.半监督学习解决了标签值不足时监督学习算法泛化能力不强与缺少样本标签引导时无监督学习算法不准确的问题.半监督学习常见的算法可以分为低密度分割法、基于图的研究、基于分歧的方法与生成式方法,其中生成式方法中的生成式对抗网络就是本文研究的对象.作为目前机器学习研究的热点,生成式对抗网络（GAN）使用的是零和博弈的思想.构成GAN模型的判别器和生成器通过不断博弈优化各自的模型,判别器输出输入的数据属于真实数据的概率值,生成器学习真实数据的分布.由神经网络组成的判别器根据分配给真实数据低概率值而分配给生成数据高概率值形成的损失来梯度下降更新参数,同样是神经网络的生成器根据判别器分配给生成数据低概率值形成的损失来梯度下降更新参数,判别器与生成器交替优化,最终达到纳什平衡,也就是判别器无法区分输入的数据是真实数据还是生成... 

【文章来源】：浙江工商大学浙江省

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

BP神经网络

浙江工商大学硕士论文2.1.2卷积神经网络本文模型中的神经网络结构大都基于卷积神经网络(CNN)构建的,卷积神经网络在处理网格型结构数据方面有着很好的表现.在机器学习领域,神经网络是处理图像数据必不可少的工具,网络中的神经元局部连接方式使得每一个神经元不是和上一层的每一个神经元相连,而是采用与一组卷积核的权值共享方式使得一组神经元连接共享权值,相比全连接网络(多层感知机)它需要的参数相对更少,减少过拟合的可能性.图2.2为一个CNN的结构示例,其层级结构主要包括:数据输入层、卷积计算层、ReLU激励层、池化层、全连接层和批正则化层(可能会有),也叫BN层[48].图2.2卷积神经网络示例图卷积计算层中的卷积操作可以看做输入的图片被若干个卷积核处理,生成若干张特征图,是一种线性映射,样例见图2.3.图2.3二维多通道卷积示例图假设输入图片样本(,,)有个通道,卷积核(,,)有个10

浙江工商大学硕士论文2.1.2卷积神经网络本文模型中的神经网络结构大都基于卷积神经网络(CNN)构建的,卷积神经网络在处理网格型结构数据方面有着很好的表现.在机器学习领域,神经网络是处理图像数据必不可少的工具,网络中的神经元局部连接方式使得每一个神经元不是和上一层的每一个神经元相连,而是采用与一组卷积核的权值共享方式使得一组神经元连接共享权值,相比全连接网络(多层感知机)它需要的参数相对更少,减少过拟合的可能性.图2.2为一个CNN的结构示例,其层级结构主要包括:数据输入层、卷积计算层、ReLU激励层、池化层、全连接层和批正则化层(可能会有),也叫BN层[48].图2.2卷积神经网络示例图卷积计算层中的卷积操作可以看做输入的图片被若干个卷积核处理,生成若干张特征图,是一种线性映射,样例见图2.3.图2.3二维多通道卷积示例图假设输入图片样本(,,)有个通道,卷积核(,,)有个10


本文编号：3486266