基于全局最小冗余的多視角協(xié)同訓練算法的研究與應用.pdf

1、數(shù)據(jù)的爆炸式增長、廣泛可用和巨大數(shù)量使得我們的時代成為真正的數(shù)據(jù)時代。在數(shù)據(jù)量增長的同時，數(shù)據(jù)的表現(xiàn)形式也越來越多樣化，具有多種表現(xiàn)形式的數(shù)據(jù)稱之為多視角數(shù)據(jù)。如何對高維數(shù)據(jù)進行降維以提高后續(xù)分類算法的性能，如何利用多視角數(shù)據(jù)各視角相容、互補的性質對多視角數(shù)據(jù)進行正確的分類是當前的研究熱點。本文對特征選擇算法和多視角學習進行了深入研究，提出了基于全局最小冗余的多視角協(xié)同訓練算法，通過對UCI中的3個多視角數(shù)據(jù)集的分類實驗，驗證了算法的有

2、效性。
　　本文對多視角數(shù)據(jù)特征選擇采用了逐個視角進行特征選擇的策略。在基于全局最小冗余的基礎上對多視角數(shù)據(jù)進行了特征選擇，重點考慮了特征在全局上的最小冗余性。在對多視角數(shù)據(jù)進行數(shù)據(jù)降維后，考慮到在實際應用中，每個視角都往往會受到屬性退化和噪聲的影響而沒有充足的信息用于分類，提出了基于全局最小冗余的多視角協(xié)同訓練算法。在協(xié)同訓練的過程中，改進了傳統(tǒng)的協(xié)同訓練算法，我們把每個未標記數(shù)據(jù)通過分類器標記的標簽信息都記錄下來，分類器經(jīng)過更

3、新后重新對這些數(shù)據(jù)進行標記，如果前后標簽信息不一致則刪除這些數(shù)據(jù)從而提高算法的性能。該算法重點探索蘊含于多視角數(shù)據(jù)中的互補信息和關系，利用少量標記數(shù)據(jù)蘊含的信息協(xié)同未標記數(shù)據(jù)訓練分類器，對多視角數(shù)據(jù)進行分類，用于處理“部分標記”的多視角數(shù)據(jù)。
　　本文的實驗選取的數(shù)據(jù)集為UCI中的3個多視角數(shù)據(jù)集。因為協(xié)同訓練需要在每個視角上分別訓練一個分類器，因此實驗首先在兩個分類器都是支持向量機的情況下對基于全局最小冗余的多視角協(xié)同訓練算法和