-
题名基于自适应稀疏邻域重构的无监督主动学习算法
被引量：2
- 1
-
-
作者
吕巨建
赵慧民
陈荣军
李键红
-
机构
广东技术师范学院
广州数字内容处理及其安全性技术重点实验室
广东外语外贸大学语言工程与计算实验室
-
出处
《计算机科学》
CSCD
北大核心
2018年第6期251-258,共8页
-
基金
国家自然科学基金(61672008)
广东省自然科学基金重点项目(2016A030311013)
+1 种基金
广东省自然科学基金(2016A030310335)资助
广东省普通高校国际合作重大项目(2015KGJHZ021)
-
文摘
在很多信息处理任务中,人们容易获得大量的无标签样本,但对样本进行标注是非常费时和费力的。作为机器学习领域中一种重要的学习方法,主动学习通过选择最有信息量的样本进行标注,减少了人工标注的代价。然而,现有的大多数主动学习算法都是基于分类器的监督学习方法,这类算法并不适用于无任何标签信息的样本选择。针对这个问题,借鉴最优实验设计的算法思想,结合自适应稀疏邻域重构理论,提出基于自适应稀疏邻域重构的主动学习算法。该算法可以根据数据集各区域的不同分布自适应地选择邻域规模,同步完成邻域点的搜寻和重构系数的计算,能在无任何标签信息的情况下较好地选择最能代表样本集分布结构的样本。基于人工合成数据集和真实数据集的实验表明,在同等标注代价下,基于自适应稀疏邻域重构的主动学习算法在分类精度和鲁棒性上具有较高的性能。
-
关键词
主动学习
稀疏重构
优化实验设计
直推式实验设计
局部线性重构
-
Keywords
Active learning
Sparse reconstruction
Optimal experimental design
Transductive experimental design
Local linear reconstruction
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名用于SVM的RCS统计特征集约减方法
- 2
-
-
作者
王朗宁
侯炎磐
李彦峰
-
机构
太原卫星发射中心
-
出处
《雷达科学与技术》
北大核心
2020年第5期524-530,共7页
-
文摘
传统的支持向量机分类算法对训练样本数目敏感且不具备增量学习的能力,而空间目标识别的工程应用需要积累样本进行大样本的增量学习。根据样本在特征空间分布,提取几何意义上边缘的样本点,成功约减了应用于支持向量机学习的基于雷达散射截面统计特征的训练样本集。利用中心距离比和特征空间多维高斯分布特性,分别提取两类边界样本集和单类边缘样本集;再采用直推式实验设计方法再采样,根据样本潜在结构分布信息选择最能代表样本集结构分布的高价值样本。实验结果表明:样本初选算法能够在有效约减样本集规模的同时保持支持向量机训练分类的精度。
-
关键词
目标识别
RCS统计特征
支持向量机
高斯分布
中心距
直推式实验设计
-
Keywords
target recognition
radar cross section(RCS)feature
support vector machine(SVM)
Gaussian distribution
center distance
transductive experimental design
-
分类号
TN957
[电子电信—信号与信息处理]
-
