-
题名基于新型间谍技术的半监督自训练正例无标记学习
被引量：2
- 1
-
-
作者
李婷婷
吕佳
范伟亚
-
机构
重庆师范大学计算机与信息科学学院
重庆市数字农业服务工程技术研究中心(重庆师范大学)
-
出处
《计算机应用》
CSCD
北大核心
2019年第10期2822-2828,共7页
-
基金
重庆市自然科学基金资助项目(cstc2014jcyjA40011)
重庆市教委科技项目(KJ1400513)
重庆师范大学科研项目(YKC19018)~~
-
文摘
正例无标记(PU)学习中的间谍技术极易受噪声和离群点干扰,导致划分的可靠正例不纯,且在初始正例中随机选择间谍样本的机制极易造成划分可靠负例时效率低下,针对这些问题提出一种结合新型间谍技术和半监督自训练的PU学习框架。首先,该框架对初始有标记样本进行聚类并选取离聚类中心较近的样本来取代间谍样本,这些样本能有效地映射出无标记样本的分布结构,从而更好地辅助选取可靠负例;然后对间谍技术划分后的可靠正例进行自训练提纯,采用二次训练的方式取回被误分为正例样本的可靠负例。该框架有效地解决了传统间谍技术在PU学习中分类效率易受数据分布干扰以及随机间谍样本影响的问题。通过9个标准数据集上的仿真实验结果表明,所提框架的平均分类准确率和F-值均高于基本PU学习算法(Basic_PU)、基于间谍技术的PU学习算法(SPY)、基于朴素贝叶斯的自训练PU学习算法(NBST)和基于迭代剪枝的PU学习算法(Pruning)。
-
关键词
正例无标记学习
间谍技术
半监督自训练
聚类
可靠负例
可靠正例
-
Keywords
Positive and Unlabeled (PU)learning
spy technology
semi-supervisedself-training
clustering
reliable negativeinstance
reliable positive instance
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名天波雷达干扰检测的RD图分类器设计与融合训练
- 2
-
-
作者
高天翱
罗忠涛
郑圆圆
张安安
-
机构
重庆邮电大学通信与信息工程学院
南京电子技术研究所
-
出处
《现代雷达》
北大核心
2025年第1期8-14,共7页
-
文摘
针对天波超视距雷达的射频干扰和瞬态干扰,将干扰检测问题转化为距离-多普勒(RD)图像分类问题,研究RD图像分类器设计并评估其性能,提出多分类器决策融合与半监督自训练方法。RD图分类器设计包括RD图库建设、纹理特征提取和分类算法设计三步。基于不同分类算法设计多种基本分类器,以仿真图库为训练集,对实测数据强干扰的识别率高达95%,但对弱干扰检测性能不佳。为此,提出基于不同特征视图和学习方法的子分类器组合,给出了多分类器的决策融合和半监督自训练算法。实测图库验证表明,多分类器半监督自训练方法能够有效提高RD图像识别率,将弱干扰检测准确率由低于65%提升至80%以上。
-
关键词
天波超视距雷达
干扰检测
RD图像分类
决策融合
半监督自训练
-
Keywords
sky-wave over-the-horizon radar
interference detection
range-Doppler image classification
decision fusion
semi-supervised self-training
-
分类号
TN958.93
[电子电信—信号与信息处理]
-
-
题名一种基于标记修正和样本更新的目标跟踪算法
被引量：3
- 3
-
-
作者
卫保国
曹慈卓
-
机构
西北工业大学电子信息学院
-
出处
《计算机应用研究》
CSCD
北大核心
2012年第5期1963-1966,共4页
-
文摘
针对半监督自训练框架下进行目标跟踪的误差累积问题,提出一种结合标记修正与区域置信度样本更新的自适应跟踪算法。该算法将视频序列中的目标跟踪视为两类模式即目标与背景的分类问题,在半监督自训练框架下,选择SVM分类器分类目标与背景,结合K近邻和最小距离分类进行标记修正,并基于区域置信度提取新的样本更新分类器。实验结果显示,该方法有效改善了由于误差累积导致的漂移问题和目标遮挡后的跟踪失败。
-
关键词
目标跟踪
半监督自训练
标记修正
区域置信度
-
Keywords
object tracking
semi-supervised self-training
label correction
regional confidence
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
