共查询到18条相似文献，搜索用时 140 毫秒
1.
由于受限于人工成本,很多现实世界中的多视角数据集是由少量有标签样本和大量无标检样本组成的。当前传统的多视角矩阵分类器无法有效处理这类数据集。为了处理这个问题,将Universum学习引入多视角矩阵分类器中,提出基于信息增强的多视角矩阵分类器。由于Universum学习可以生成额外的无标签样本,这类样本虽然没有被指定类别标签,但是包含了部分有标签样本的信息,所以Universum学习可以增强有效样本信息。实验表明,相比于传统的多视角矩阵分类器,本文提出的基于信息增强的多视角矩阵分类器具有更好的分类性能。 相似文献
2.
为克服传统多视角分类器无法充分最小化结构风险的不足,提出基于Universum的多视角全局和局部结构风险最小化模型。该模型采用Universum学习,利用有标签样本生成大量包含分类信息的无标签样本,从而增加分类器性能。这些信息有利于最小化结构风险。通过在Mfeat、Reuters和Corel等3个多视角数据集上的试验可以发现,该模型可以提高多视角分类器的性能,并可以更好地应用到多视角数据集的分类问题中。 相似文献
3.
在利用主动学习方法进行高光谱图像分类时,往往存在空-谱特征不能得到有效利用和样本需要进行手动标注的问题。针对这些问题,提出一种结合卷积神经网络的主动学习方法进行高光谱图像分类。该方法首先提取像素的空间邻域组成训练样本,通过卷积神经网络对样本的空间特征和光谱特征进行学习并对数据进行初步分类;然后,基于高光谱图像的空间相似性和光谱相似性,对无标注样本进行标注,并将其加入标注训练集以提高分类器的分类精度。在Salinas、PaviaU和Indian Pines这3个高光谱数据上的实验结果表明,该方法能在较少标注样本的情况下,有效提高高光谱图像的分类精度。 相似文献
4.
为解决内河航道中具有不同运动模式的船舶轨迹识别问题,提出一种基于宽度学习系统(broad learning system, BLS)的船舶轨迹分类算法。对通航区域进行划分并制定轨迹筛选规则以构建标签矩阵。利用分段三次Hermite插值法分别从轨迹点记录时间上等时距和轨迹点空间分布上等间距两个角度,从原轨迹数据中进行特征点坐标的提取以构建轨迹特征矩阵。将标签矩阵和轨迹特征矩阵代入BLS以实现分类算法的训练与测试。以京杭运河淮安段交叉航道AIS数据为实例,进行轨迹分类实验。结果表明,基于BLS的船舶轨迹分类算法在分类精度和训练耗时上均优于基于反向传播神经网络和支持向量机的轨迹分类算法。 相似文献
5.
“课程组织”内在的根本问题是儿童与课程的关系问题。布卢姆的教育目标分类和加涅的学习结果分类探讨了课程组织的要素,这里介绍课程组织的载体——组织中心;然后从历史的角度提出课程组织的分类。 相似文献
6.
为提升极化合成孔径雷达(SAR)地物分类精度,提出一种基于AdaBoost改进型随机森林和支持向量机(SVM)结合的二级分类结构。首先将AdaBoost改进型随机森林作为初级分类器,该分类器能根据决策树的分类能力赋予权重,分类能力越强则权重越高,从而提升初级分类精度。初级分类器还能评估输入特征的重要性,获得重要性排名。根据重要性排名进行特征筛选,用筛选后的特征训练SVM分类器,获取二级分类结果。最后利用邻域投票法将两级分类结果融合。AIRSAR极化数据对比实验表明,该分类结构可有效提升极化SAR地物分类精度。 相似文献
7.
在我国体育产业的形成和发展过程中，体育产品的定位与分类是一个亟待研究和解决的理论问题和实践问题。本文首先详细分析了国内外权威机构已经公布和即将公布的有关体育产品定位与分类的文件，在此基础上，得出了若干有益的启示，并进而提出了改进我国现行体育产品定位与分类标准的政策建议。 相似文献
8.
李燕 《济宁师范专科学校学报》2005,26(3):62-64
学习风格是学习者持续一贯的带有个性特征的学习方式和学习倾向，其主要特征有：独特性、稳定性、综合性、动力性、兼有动力和活动两种功能。学习风格的要素由五个部分三个层面组成，其类型可从个性心理品质的神经活动类型及学习过程两个角度进行划分。深化对学习风格问题的研究，具有四方面的价值。 相似文献
9.
指纹识别作为"物证之首"一直被认为是最可靠的生物特征识别方法，目前已经广泛应用在刑事侦查、居民身份认定及核实等领域。这类应用的特点在于需将待识别指纹与海量指纹数据库中的全部指纹做快速比对，以确定该枚指纹所有人的身份。为了提高指纹识别速度，海量指纹数据库会按照纹型拆分成若干类，待识别指纹仅和同类指纹做逐一比对。随着指纹采集相关的法律生效，近几年指纹数据库规模迅速扩大。一方面库内同类纹型的图像差异性显著增加，另一方面不同类指纹图像的相似性也在增加，指纹分类算法误分率大幅增加。"海量指纹纹型精准分类问题"迅速成为公安应用及指纹识别领域研究的热点。针对上述问题，提出一种基于胶囊网络的指纹纹型精准分类模型Cap-FingerNet。该模型一方面将胶囊网络独有的网络特性与指纹图像特有的自相似纹理特征相结合，可构成更为鲁棒的特征提取器及分类器。新引入的Batch-Normalization方法还可避免典型胶囊网络易于出现"梯度消失"的不足。另一方面，引入注意力胶囊机制，使得Cap-FingerNet较典型胶囊网络更准确且全面地提取出指纹图像细节信息，并使用全局压缩算法对胶囊进行有效挤压。Cap-FingerNet模型在某公安刑侦指纹数据库的4分类纹分类上获得99.63%的极高准确率，并在国际公开指纹数据集NIST-DB04的纹型4分类和5分类任务上分别测得96.25%和94.5%的准确率，取得了目前文献中最好成绩。 相似文献
10.
根据美国著名学习与心理学家R.M.加涅的学习结果分类理论,讨论在化学学习中的学习结果分类,并在化学任务分析中进行应用。 相似文献
11.
支持向量机作为机器学习中一个经典的分类算法,一直广受数据科学家的喜爱。无论是处理线性可分还是非线性可分数据,传统的支持向量机能够很好地解决二分类问题。针对给定的样本,支持向量机通过最大化最小间隔得到最佳的决策分界面,从而实现对新样本的类别预测。然而现实中的数据更为复杂多样,一方面数据的类别往往多于两个,近年不乏有优秀的多分类支持向量机算法出现;另一方面不同领域的数据的特征集中可能存在相对特殊的变量（称之为主变量,targeted variable）,需要将其挑选出来并加以特殊处理,以保持主变量对最终分类结果的重要影响。考虑这两个方面,提出基于角度的变系数多分类支持向量机（TLAMSVM）模型以解决含有主变量的多分类问题。它使用具备更好几何解释能力的基于角度的间隔最大分类框架完成多分类,并引入变系数模型,通过选择合适的局部光滑函数处理主变量对模型的影响。把基于角度的变系数多分类支持向量机分别应用到模拟数据集和真实数据集上。数值结果显示,相比没有使用变系数思想或基于角度的多分类框架的多分类支持向量机,TLAMSVM模型具有更高的预测准确度。 相似文献
12.
为解决原始核聚类(Kernel Clustering, KC)中模式信息不足、聚类结果不佳的缺点,以KC为基础,利用Universum学习带来的优势,提出基于Universum学习的核聚类(Universum learning based Kernel Clustering, UKC)方法.首先利用Universum学习生成相应的Universum模式,再利用KC算法把数据集分割成多个簇,最后利用每个簇中所包含的Universum模式和训练模式来更新该簇,从而使得这些簇更加合理.实验表明,该算法可以更好地改善聚类效果和分类器的分类性能、泛化能力和计算效率.虽然该方法的步骤比KC多,但是其较好的聚类性能可以帮助人们处理分类问题. 相似文献
13.
准确的流量分类是网络管理和网络安全的有效保障。近年来基于机器学习的网络流量分类备受关注,特征选择对于机器学习的分类效果有重要影响。但使整体分类性能达到最优的特征选择子集,并不一定使特定类别的分类性能达到最佳,这降低了分类性能可达到的上限,对此提出基于改进的一对一算法的流量分类模型。首先采用一对一的思想将流量多分类任务拆解为多个相互独立的二分类子任务,分别对任意两类流量进行特征选择和流量分类。所有子任务的分类结果采用Stacking策略结合。实验表明,多种机器学习算法与特征选择算法应用于该模型的准确度较经典模型均有提升。 相似文献
14.
以中巴资源卫星CBERS 1图像数据为信息源,分别采用最大似然法、BP神经网络和Fuzzy ARTMAP神经网络 3种分类器,以位于干旱区的中国新疆石河子地区为例,进行了土地利用计算机自动分类。结果认为,3种方法中以Fuzzy ARTMAP神经网络法分类精度最高,分别比最大似然法和BP神经网络法提高了 10.69%和 6.84%。同时也证实了CBERS 1图像在土地利用调查中的实用性 相似文献
15.
点集匹配是计算机视觉和模式识别中的重要问题,在目标识别、医学图像配准、姿态估计等方面都得到广泛应用。提出基于机器学习的端对端模型——multi-pointer network（MPN）来解决点集匹配问题。该网络模型利用多标签分类的思想,改进pointer network。以前的模型只输出输入序列的一个元素,而MPN模型选择输入序列中的一组元素作为输出。首先,把点集匹配问题转换为序列问题。这样,网络的输入为顶点的坐标序列,输出为点对之间的对应关系。利用这种方式,可以解决相对于整个空间的平移变换和其他大幅度的刚性变换。实验结果表明,模型也可以被推广解决其他带结构的组合优化问题,如三角剖分等。 相似文献
16.
近年来,基于图像增广和一致性正则化的半监督学习（semi-supervised learning, SSL）方法被广泛应用并取得了很大的成功。然而,由于伪标签算法存在"认知偏误"问题,即模型的错误通过伪标签累积从而难以改正,因此很少有人关注基于伪标签（pseudo-labeling, PL）的半监督学习方法。提出一种特征图的原型图注意力特征修正模型（prototype attention layer, PAL）：即在神经网络映射的特征空间上学习一个图注意力模型,将此模型应用于特征空间中,可以充分利用原型的信息来修正特征,将修正后的特征所产生的伪标签与原型分配产生的伪标签随机线性组合,从而得到新的伪标签。将这一模型应用到2种伪标签半监督学习框架上所得到的算法（prototype attention improved pseudo-labeling,PAIPL）,在CIFAR-10和CIFAR-100的多个半监督分类问题上进行测试,分类准确率都得到了显著提升。特别地,将提出的修正模型应用于伪标签半监督学习PLCB框架时,又提出相互混合的监督技术,从而取得了更好的效果。还将提出的模型应用到其他多个伪标签半监督学习框架上,并在多个数据集上进行实验,验证了所提出的模型作为一个附加模块是普适且有效的。 相似文献
17.
鉴于目前散货码头运用智能视频监控系统时,由于不同方向人形的方向梯度直方图(Histogram of Oriented Gradient,HOG)特征存在较大的变化,使得用传统方法训练获得的少量特异性特征不足以支撑人形的有效分类,因此提出一种基于Ada Boost的针对不同姿势HOG特征的二级分类方法.首先将样本快速分为正(背)面人形和侧面人形,组成第一级分类;然后通过分别为两类样本训练子分类器组成第二级分类;第二级分类对人形进行识别,并对结果进行融合.以天津港干散货码头无人作业区为背景,完成一组人形识别实验.实验结果表明,相较于传统方法,该方法对正(背)面人形具有更高的识别率.二级分类方法整体上提高了人形识别的识别率. 相似文献
18.
针对传统指纹定位方法中无线信号覆盖范围有限以及信号时变特性难以处理的问题,提出利用多种无线信号进行指纹定位的方法,并采用测地线流核（geodesic flow kernel,GFK）的迁移学习方法减轻信号时变性对定位精度的不利影响。首先,通过对多源无线信号特征进行多轮随机采样融合,从而构建多个数据集,获得更丰富多样的指纹特征;其次,对不同时间的指纹特征进行迁移的GFK进行融合,使得迁移从2个领域扩展到多个领域;最后,使用多个数据集训练基分类器,并从多个基分类器得到最终的预测结果,从而提高位置分类器的泛化性能。实验结果表明,本方法的定位精度比传统方法更高。 相似文献