计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2015年
1期
115-118
,共4页
主动学习%自学习%支持向量数据描述%噪声源识别
主動學習%自學習%支持嚮量數據描述%譟聲源識彆
주동학습%자학습%지지향량수거묘술%조성원식별
active learning%self-learning%Support Vector Data Description(SVDD)%noise source identification
多数分类识别算法需要大量的已标注样本对分类模型进行训练。实际应用中,对大量样本进行标注枯燥耗时且代价昂贵,因此能够获得的已标注样本数量非常有限。将基于不确定性样本的主动学习和代表性样本的自学习方法引入到基于支持向量数据描述的分类模型中,提出了一种新的分类识别方法。通过主动学习去挖掘那些对当前分类模型最有价值的样本进行人工标注,并借助自学习方法进一步利用样本集中大量的未标注样本,使得在花费较小的标注代价下,能够获得良好的分类性能。在潜艇机械噪声源识别问题上的实验结果验证了该方法能有效降低样本标注代价。
多數分類識彆算法需要大量的已標註樣本對分類模型進行訓練。實際應用中,對大量樣本進行標註枯燥耗時且代價昂貴,因此能夠穫得的已標註樣本數量非常有限。將基于不確定性樣本的主動學習和代錶性樣本的自學習方法引入到基于支持嚮量數據描述的分類模型中,提齣瞭一種新的分類識彆方法。通過主動學習去挖掘那些對噹前分類模型最有價值的樣本進行人工標註,併藉助自學習方法進一步利用樣本集中大量的未標註樣本,使得在花費較小的標註代價下,能夠穫得良好的分類性能。在潛艇機械譟聲源識彆問題上的實驗結果驗證瞭該方法能有效降低樣本標註代價。
다수분류식별산법수요대량적이표주양본대분류모형진행훈련。실제응용중,대대량양본진행표주고조모시차대개앙귀,인차능구획득적이표주양본수량비상유한。장기우불학정성양본적주동학습화대표성양본적자학습방법인입도기우지지향량수거묘술적분류모형중,제출료일충신적분류식별방법。통과주동학습거알굴나사대당전분류모형최유개치적양본진행인공표주,병차조자학습방법진일보이용양본집중대량적미표주양본,사득재화비교소적표주대개하,능구획득량호적분류성능。재잠정궤계조성원식별문제상적실험결과험증료해방법능유효강저양본표주대개。
The majority of classification algorithm requires a large amount of labeled samples which are used to train the classifier model. In practical applications, samples which have been labeled are limited cause label them boring and expen-sive. The active learning and self-learning method based on uncertainty is introduced to the Support Vector Data Description (SVDD), and a new classification method is proposed. Samples which have rich information to label them by experts are selecting through active learning, further, unlabeled sample set is used. The objective has good classification performance and saves the cost of labeling. The experimental results on identification of mechanical noise source of the submarine verify the performance of the proposed method.