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

下載本文檔

版權(quán)說(shuō)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、如何有效地挖掘和學(xué)習(xí)海量的無(wú)標(biāo)記數(shù)據(jù)中的規(guī)律,讓用戶快速找到需要的信息,是當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)研究熱點(diǎn)。半監(jiān)督學(xué)習(xí)利用少量標(biāo)記數(shù)據(jù)和大量無(wú)標(biāo)記數(shù)據(jù)的綜合信息來(lái)提高分類算法的準(zhǔn)確率,引起了學(xué)術(shù)界的廣泛關(guān)注。然而傳統(tǒng)半監(jiān)督分類算法的計(jì)算復(fù)雜度較高,通常為O(N3),N為輸入樣本的個(gè)數(shù),如拉普拉斯支持向量機(jī)。超限學(xué)習(xí)機(jī)是一種單隱層前饋神經(jīng)網(wǎng)絡(luò),具有較低的計(jì)算復(fù)雜度。為了提高半監(jiān)督算法的計(jì)算效率,人們將半監(jiān)督學(xué)習(xí)引入到超限學(xué)習(xí)機(jī)框架中,提出了

2、半監(jiān)督超限學(xué)習(xí)機(jī)。半監(jiān)督超限學(xué)習(xí)機(jī)繼承了傳統(tǒng)超限學(xué)習(xí)機(jī)的速度優(yōu)勢(shì),又能充分利用無(wú)標(biāo)記樣本信息。但是,半監(jiān)督超限學(xué)習(xí)機(jī)的分類準(zhǔn)確率對(duì)隱層節(jié)點(diǎn)的數(shù)目比較敏感,在特定問(wèn)題上為取得較好的分類準(zhǔn)確率通常需要使用大量的冗余隱層節(jié)點(diǎn),增加了模型的復(fù)雜度。
  本文針對(duì)半監(jiān)督超限學(xué)習(xí)機(jī)在稀疏性和分類準(zhǔn)確率上的不足,在稀疏貝葉斯和半監(jiān)督超限學(xué)習(xí)機(jī)框架的基礎(chǔ)上,提出一種基于稀疏貝葉斯的半監(jiān)督超限學(xué)習(xí)機(jī)分類算法。為了利用無(wú)標(biāo)記樣本數(shù)據(jù)的流形(Manif

3、old)信息,同時(shí)使模型更加稀疏,該算法在網(wǎng)絡(luò)輸出層的權(quán)值參數(shù)上定義稀疏流形先驗(yàn)。模型在訓(xùn)練階段自適應(yīng)地剔除冗余的隱層節(jié)點(diǎn),該算法降低了模型的復(fù)雜度和分類準(zhǔn)確率對(duì)隱層節(jié)點(diǎn)數(shù)量的敏感性。在多個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明:與當(dāng)前主流的半監(jiān)督分類器相比,本文提出的算法可以取得較好的分類性能,同時(shí)彌補(bǔ)了半監(jiān)督超限學(xué)習(xí)機(jī)在稀疏性和穩(wěn)定性方面的缺陷。
  綜上,本文的工作和貢獻(xiàn)主要體現(xiàn)在以下幾個(gè)方面:
  (1)針對(duì)基于半監(jiān)督超限學(xué)習(xí)機(jī)框架

4、的分類算法在稀疏性和穩(wěn)定性上表現(xiàn)不足的問(wèn)題,本文通過(guò)稀疏貝葉斯學(xué)習(xí)方法來(lái)學(xué)習(xí)模型參數(shù),在學(xué)習(xí)階段自動(dòng)剔除冗余隱層節(jié)點(diǎn),增強(qiáng)半監(jiān)督超限學(xué)習(xí)機(jī)模型的稀疏性和穩(wěn)定性。因此,本文算法既具有半監(jiān)督超限學(xué)習(xí)機(jī)的速度優(yōu)勢(shì),又具有稀疏貝葉斯學(xué)習(xí)算法的稀疏性。
  (2)傳統(tǒng)半監(jiān)督超限學(xué)習(xí)機(jī)采用最小二乘求解模型參數(shù),容易導(dǎo)致過(guò)擬合,本文算法通過(guò)最大化模型的邊際似然概率可以在一定程度上降低模型過(guò)擬合的可能性,增強(qiáng)模型的表達(dá)力,模型具有更好的魯棒性。<

5、br>  (3)本文算法相比半監(jiān)督超限學(xué)習(xí)機(jī)具有較低的計(jì)算復(fù)雜度。本文算法的時(shí)間復(fù)雜度為O(L3+N log N),其中L為隱層節(jié)點(diǎn)的個(gè)數(shù),N為樣本數(shù)據(jù)的個(gè)數(shù),N log N是構(gòu)造圖的拉普拉斯矩陣的時(shí)間復(fù)雜度,L3是計(jì)算權(quán)值參數(shù)w的時(shí)間復(fù)雜度。因此,相比半監(jiān)督超限學(xué)習(xí)機(jī)中O(N3)的時(shí)間復(fù)雜度,本文算法訓(xùn)練時(shí)間更短。
  (4)在UCI1標(biāo)準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,相對(duì)對(duì)比算法,本文基于稀疏貝葉斯的半監(jiān)督超限學(xué)習(xí)機(jī)分類算法具有較好

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)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(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論