基于支持向量數(shù)據(jù)描述的消歧義多示例學(xué)習(xí)算法研究.pdf

1、隨著機器學(xué)習(xí)理論研究的深入，很多傳統(tǒng)領(lǐng)域借用機器學(xué)習(xí)來提高研究水平，應(yīng)用機器學(xué)習(xí)方法層出不窮，特別是基于機器學(xué)習(xí)的數(shù)據(jù)分析方法已成為解決復(fù)雜問題的關(guān)鍵技術(shù)之一。因此，當(dāng)前機器學(xué)習(xí)的角色也逐漸發(fā)生了改變，由單一方向向多方向發(fā)展，大量研究者根據(jù)其特點相繼提出了一些新方法和新思想(如多示例學(xué)習(xí))，并實現(xiàn)了從理論分析到實際應(yīng)用的轉(zhuǎn)變。多示例學(xué)習(xí)問題則成為了機器學(xué)習(xí)理論中一個全新理論分支。在多示例學(xué)習(xí)中，訓(xùn)練樣本是由包含多個示例包的組成，包是有概

2、念標(biāo)記的，示例是沒有標(biāo)記的。訓(xùn)練樣本的歧義性比較特殊，使得多示例學(xué)習(xí)模型與傳統(tǒng)的機器學(xué)習(xí)模型有很大的差別。由于多示例學(xué)習(xí)本身獨特的性質(zhì)和良好的應(yīng)用前景，被稱為是與監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)并列的第四種機器學(xué)習(xí)框架，引起國內(nèi)外研究者的極大關(guān)注。
　　本文對基于支持向量數(shù)據(jù)描述和多示例學(xué)習(xí)進行研究，提出了兩種基于SVDD的消歧義多示例學(xué)習(xí)算法：MIL-NSVDD_I算法和MIL-NSVDD_B算法。論文主要工作有以下三個個方面。<

3、br>　　首先，論文研究了在支持向量機及最小包圍球理論基礎(chǔ)上發(fā)展起來的支持向量數(shù)據(jù)描述算法，包括硬間隔、軟間隔及帶負(fù)類樣本的SVDD方法。并針對核參數(shù)和懲罰參數(shù)對SVDD算法的影響進行分析與討論。
　　其次，論文提出了一種消除包中示例歧義性的方法，將多示例數(shù)據(jù)集轉(zhuǎn)化為單示例數(shù)據(jù)集。將正包中的示例按照預(yù)測精度進行降序排列，選擇前m+個最大預(yù)測精度值的示例，參數(shù)m+為能夠從每個包中選出一個示例的最小值，被選出的示例即為消除歧義后的正示

4、例集合。對于負(fù)包中篩選代表性示例的方法，我們把負(fù)包中的所有示例與選出的消歧義后的正示例集合的距離按升序排列，選擇前m-個距離最小的示例，參數(shù)m-為能夠從每個包中至少選出一個示例的最小值，選出的這部分示例為負(fù)包中的代表性示例。
　　最后，本文采用兩種特征映射，基于示例等級的特征映射和基于包等級的特征映射，將多示例學(xué)習(xí)問題轉(zhuǎn)化成標(biāo)準(zhǔn)的機器學(xué)習(xí)問題，用帶負(fù)類的SVDD方法對映射后的單示例數(shù)據(jù)集進行學(xué)習(xí)，得到相應(yīng)的分類器。論文在實驗部分驗