CAJ | 학술논문

传统的支持向量机( SVM)是一种有监督学习方法,需要大量有标记样本,然而有标记样本的数量十分有限且获得困难.因此,当存在海量的无标记样本时,如何有效地利用这些数据成为了机器学习面临的重要任务.研究提出了一种新的半监督直推式支持向量机分类算法,将半监督算法与支持向量机结合,在迭代算法中将无标签样本与有标签样本结合,逐渐得到更可信的分类超平面.理论分析和计算机仿真结果都表明,研究提出的样本能够有效地利用大量的无标签样本,并且无标签样本的加入能够有效地提高分类准确率.
전통적지지향량궤( SVM)시일충유감독학습방법,수요대량유표기양본,연이유표기양본적수량십분유한차획득곤난.인차,당존재해량적무표기양본시,여하유효지이용저사수거성위료궤기학습면림적중요임무.연구제출료일충신적반감독직추식지지향량궤분류산법,장반감독산법여지지향량궤결합,재질대산법중장무표첨양본여유표첨양본결합,축점득도경가신적분류초평면.이론분석화계산궤방진결과도표명,연구제출적양본능구유효지이용대량적무표첨양본,병차무표첨양본적가입능구유효지제고분류준학솔.