计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2014年
1期
260-264
,共5页
支持向量机%半监督学习%预选取样本%模糊C-均值聚类%图像分类
支持嚮量機%半鑑督學習%預選取樣本%模糊C-均值聚類%圖像分類
지지향량궤%반감독학습%예선취양본%모호C-균치취류%도상분류
Support Vector Machine (SVM)%semi-supervised learning%pre-selected sample%Fuzzy C-means Clustering (FCM)%image classification
针对基于拉普拉斯支持向量机(LapSVM)的半监督分类方法需要将全部无标记样本加入训练样本集中训练得到分类器,算法需要的时间和空间复杂度高,不能有效处理大规模图像分类的问题,提出了模糊C-均值聚类(FCM)预选取样本的LapSVM图像分类方法.该方法利用FCM算法对无标记样本聚类,根据聚类结果选择可能在最优分类超平面附近的无标记样本点加入训练样本集,这些样本可能是支持向量,携带对分类有用的信息,其数量只是无标记样本的一少部分,因此使训练样本集减小.计算机仿真结果表明该方法充分利用了无标记样本所蕴含的判别信息,有效地提高了分类器的分类精度,降低了算法的时间和空间复杂度.
針對基于拉普拉斯支持嚮量機(LapSVM)的半鑑督分類方法需要將全部無標記樣本加入訓練樣本集中訓練得到分類器,算法需要的時間和空間複雜度高,不能有效處理大規模圖像分類的問題,提齣瞭模糊C-均值聚類(FCM)預選取樣本的LapSVM圖像分類方法.該方法利用FCM算法對無標記樣本聚類,根據聚類結果選擇可能在最優分類超平麵附近的無標記樣本點加入訓練樣本集,這些樣本可能是支持嚮量,攜帶對分類有用的信息,其數量隻是無標記樣本的一少部分,因此使訓練樣本集減小.計算機倣真結果錶明該方法充分利用瞭無標記樣本所蘊含的判彆信息,有效地提高瞭分類器的分類精度,降低瞭算法的時間和空間複雜度.
침대기우랍보랍사지지향량궤(LapSVM)적반감독분류방법수요장전부무표기양본가입훈련양본집중훈련득도분류기,산법수요적시간화공간복잡도고,불능유효처리대규모도상분류적문제,제출료모호C-균치취류(FCM)예선취양본적LapSVM도상분류방법.해방법이용FCM산법대무표기양본취류,근거취류결과선택가능재최우분류초평면부근적무표기양본점가입훈련양본집,저사양본가능시지지향량,휴대대분류유용적신식,기수량지시무표기양본적일소부분,인차사훈련양본집감소.계산궤방진결과표명해방법충분이용료무표기양본소온함적판별신식,유효지제고료분류기적분류정도,강저료산법적시간화공간복잡도.
