基于e1范數(shù)和k近鄰融合圖的半監(jiān)督分類算法的應用研究.pdf

1、分類號： 單位代碼：11407 密 級： 學 號：20137165 北方民族大學 碩士學位論文 基于 1范數(shù)和k 近鄰融合圖的半監(jiān)督分類算法的應用研究 Research on Application of Semi-supervised Classificati

2、on Algorithm Based on 1 Norm and NN kFusion Graph 學 位 申 請 人： 張云斌 指 導 教 師： 張春梅 教授 申請學位門類級 別： 工學碩士 專 業(yè) 名 稱： 計算機應用技術 研 究 方 向： 計算機圖形圖像處理 所 在 學 院： 計算機科學與工程

3、學院 論 文 完 成 日 期： 2016 年 4 月 II 摘 要 在傳統(tǒng)的機器學習分類方法中， 將只通過未標記樣本進行分類的方法稱為無監(jiān)督分類，如聚類方法，無監(jiān)督分類方法所取得的分類精度通常難以達標；將利用有標記樣本集訓練分類器的方法稱為有監(jiān)督分類（或監(jiān)督分類） 。然而，現(xiàn)實應用中獲得有標記樣本的成本通常很高，需要花費人力和物力對樣本進行標注。半監(jiān)督學習是指在充分利用有標記樣本的基礎上， 通過預測或

4、傳播算法將可信度較高的未標記樣本轉換為偽標記樣本進行分類的方法， 達到同時利用標記樣本和未標記樣本構造分類器的目的。 由于既可以降低成本又可以得到較高的分類精度， 在理論和實踐中， 半監(jiān)督學習受到了廣泛關注， 它對提高學習性能有著重要指導意義。 在半監(jiān)督學習方法中， 由于在實踐中實證性的成功和較高的計算效率， 基于圖的半監(jiān)督學習方法成為了最流行的一種半監(jiān)督學習方法。 我們發(fā)現(xiàn)， 雖然基于圖的半監(jiān)督學習方法最重要的一個步驟是構造圖， 但如

5、何去構造一個好圖至今沒有得到很好的研究。 針對這個問題， 我們對現(xiàn)有圖的構造方法進行仔細研究之后， 提出一種基于 1 范數(shù)和k 近鄰融合圖的半監(jiān)督分類算法。本文主要研究工作如下： （1）針對基于圖的半監(jiān)督學習問題，對圖的構造方法進行仔細的研究和分析后，提出一種 1 范數(shù)和k 近鄰融合圖的構造方法。該方法通過 1 范數(shù)獲得數(shù)據(jù)的全局性，通過k 近鄰圖保持數(shù)據(jù)的局部性。如此，不僅獲得數(shù)據(jù)的全局性也能保持數(shù)據(jù)的局部性，從而使所構造出的圖可以更

6、接近數(shù)據(jù)的真實分布。 （2）提出了基于 1 范數(shù)和 k 近鄰融合（LNKNNF）圖的半監(jiān)督分類算法。將高斯隨機場和諧波函數(shù) （GHF） 以及局部一致和全局一致兩種傳播算法與所構造的融合圖相結合，完成分類任務。 （3）對 UCI 數(shù)據(jù)集和 USPS 手寫數(shù)據(jù)分別進行了實驗，將 LNKNNF 圖的分類性能和指數(shù)權重圖、k 近鄰圖、 1 范數(shù)圖和低秩表示圖進行比較， 結果表明，基于 1 范數(shù)和k 近鄰融合圖分類正確率均高于其他圖， 使用不同的