2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩79頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、傳統(tǒng)的監(jiān)督學習往往需要大量的帶類別標簽(Label)的樣本對分類器進行訓練。然而,在實際應(yīng)用中,有標記樣本(Labeled data)的獲取較困難,無標記樣本(Unlabeled data)的獲取卻很容易。因此,如何將大量無標記數(shù)據(jù)利用起來,提高分類器性能的半監(jiān)督學習成為研究熱點。在半監(jiān)督學習領(lǐng)域研究的眾多分支中,協(xié)同訓練算法擁有易理解、穩(wěn)定、收斂快等特點,引起了眾多學者的廣泛關(guān)注,取得了很多研究成果。隨著其理論模型的不斷完善,基于協(xié)同

2、訓練算法的應(yīng)用也逐漸滲透到很多領(lǐng)域,如自然語言處理,圖像檢索以及模式識別等領(lǐng)域。本文首先對半監(jiān)督協(xié)同訓練算法的國內(nèi)外研究現(xiàn)狀進行了介紹,然后,對協(xié)同訓練算法的發(fā)展過程及算法存在的主要問題進行了分析,最后詳細介紹了本文在半監(jiān)督協(xié)同訓練算法領(lǐng)域開展的工作。本研究主要內(nèi)容包括:
   ⑴針對協(xié)同訓練算法中分類器差異性小的問題,提出了Tri-training框架下的多視圖半監(jiān)督神經(jīng)網(wǎng)絡(luò)算法,算法通過神經(jīng)網(wǎng)絡(luò)激勵函數(shù)的多樣性來擴展參與協(xié)同

3、訓練的神經(jīng)網(wǎng)絡(luò)之間的獨立性,在一定程度上解決了協(xié)同訓練算法中分類器差異性小,算法在性能提升上受到限制的問題,同時提高了神經(jīng)網(wǎng)絡(luò)的分類精度,也改善了協(xié)同訓練算法的性能。
   ⑵由于無標記數(shù)據(jù)引入容易產(chǎn)生噪音,從而降低算法性能,本文提出了基于遺傳算法的無標記數(shù)據(jù)選擇半監(jiān)督協(xié)同訓練算法,算法利用遺傳算法的尋優(yōu)功能間接的協(xié)助協(xié)同訓練算法挑選有價值的無標記數(shù)據(jù),以正確有效更新參與協(xié)同訓練的分類器,防止有噪聲的無標記數(shù)據(jù)引入,從而導致算法

4、性能降低。
   ⑶為進一步有效選擇無標記數(shù)據(jù),減少分類誤差,提出了基于圖的顯式置信度估計半監(jiān)督協(xié)同訓練算法,算法結(jié)合了基于圖的半監(jiān)督學習算法和半監(jiān)督協(xié)同訓練算法的優(yōu)點。利用有標記樣本和無標記樣本自身的結(jié)構(gòu)信息,顯式計算無標記樣本屬于各類別的概率,結(jié)合三個分類器協(xié)同訓練隱式地對無標記樣本的置信度進行比較。通過顯式和隱式雙重置信度估計方法,提高對無標記數(shù)據(jù)選擇的標準,防止噪聲數(shù)據(jù)的引入。在UCI數(shù)據(jù)集的實驗驗證了以上的方法的有效性

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論