基于圖模型的半監(jiān)督SVM分類算法研究與應(yīng)用.pdf

1、支持向量機(jī)算法是在結(jié)構(gòu)風(fēng)險(xiǎn)最小化基礎(chǔ)上發(fā)展起來的，它避免了以往神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程中出現(xiàn)的過擬合、易陷入局部極值和維數(shù)災(zāi)難等諸多問題，目前在許多領(lǐng)域得到了很好的運(yùn)用。經(jīng)典的支持向量機(jī)算法是分類算法中發(fā)展較早的一個(gè)，但是它對(duì)標(biāo)識(shí)樣本的數(shù)量有較強(qiáng)的依賴性，然而在實(shí)際工作中，由于標(biāo)識(shí)樣本的代價(jià)較大，因此只有少數(shù)樣本是被標(biāo)識(shí)的，大多數(shù)是未標(biāo)識(shí)的。
　　 現(xiàn)如今，一種新穎的半監(jiān)督學(xué)習(xí)算法，因其能夠?qū)⒁褬?biāo)識(shí)和未標(biāo)識(shí)樣本提供的聚類信息有機(jī)結(jié)合起來

2、，與已往的監(jiān)督分類算法相比，對(duì)標(biāo)識(shí)樣本的數(shù)量要求不高，而且在實(shí)際運(yùn)用中獲得了更好的效果，因?yàn)檫@個(gè)優(yōu)勢(shì)，這種半監(jiān)督學(xué)習(xí)方法吸引了越來越多研究者的眼球。當(dāng)前對(duì)半監(jiān)督支持向量機(jī)算法的改進(jìn)主要集中在利用一些約束函數(shù)將未標(biāo)識(shí)樣本的信息加入到優(yōu)化過程中，但這種模擬在不同程度上都存在對(duì)噪聲過于敏感和本身算法的優(yōu)化難題。從處理這些問題的角度出發(fā)，本文提出一種基于兩階段學(xué)習(xí)的半監(jiān)督支持向量機(jī)分類算法，利用圖模型給未標(biāo)識(shí)樣本賦予偽標(biāo)識(shí)，接著為了削弱噪聲樣本

3、的影響，采用k近鄰圖去除噪聲樣本，然后將標(biāo)識(shí)樣本和偽標(biāo)識(shí)樣本作為整個(gè)訓(xùn)練樣本集，運(yùn)用SVM算法進(jìn)行訓(xùn)練學(xué)習(xí)，使得SVM算法在訓(xùn)練時(shí)能充分利用未標(biāo)識(shí)樣本帶來的結(jié)構(gòu)信息，提高分類器的分類精度。同時(shí)本文從構(gòu)建圖模型的角度出發(fā)，還提出了一種基于高斯混合模型核的半監(jiān)督支持向量機(jī)分類算法。通過構(gòu)造高斯混合模型核向SVM分類器提供未標(biāo)識(shí)樣本信息，使得SVM算法在學(xué)習(xí)標(biāo)識(shí)樣本信息的同時(shí)，兼顧著整個(gè)訓(xùn)練樣本集合的聚類假設(shè)。結(jié)果證明本文提出的兩種算法在擁有

4、較少標(biāo)標(biāo)識(shí)樣本訓(xùn)練的情況下分類性能也有所提高且具有較高的可靠性。
　　 本課題首先在理論上對(duì)本文提出的兩階段學(xué)習(xí)模型和高斯混合模型的可行性進(jìn)行論證，然后利用人工合成樣本集和UCI樣本集分別對(duì)兩種算法的分類性能進(jìn)行測(cè)試，并與已有的半監(jiān)督支持向量機(jī)算法進(jìn)行實(shí)驗(yàn)比較，驗(yàn)證了本文所提模型的優(yōu)勢(shì)。本課題還利用兩階段學(xué)習(xí)模型算法對(duì)軸承故障樣本集進(jìn)行檢測(cè)性能測(cè)試，實(shí)驗(yàn)結(jié)果表明該模型的檢測(cè)性能較其他幾種算法好，并測(cè)試算法中重要參數(shù)對(duì)算法性能的影