没有合适的资源?快使用搜索试试~
我知道了~
文库首页
开发技术
其它
基于半监督支持向量机的新分类方法
基于半监督支持向量机的新分类方法
研究论文
0 下载量
49 浏览量
2021-03-25
21:42:28
上传
评论
收藏
284KB
PDF
举报
温馨提示
立即下载
基于半监督支持向量机的新分类方法
资源推荐
资源评论
基于半监督集成支持向量机的土地覆盖遥感分类方法研究
浏览:57
基于半监督集成支持向量机的土地覆盖遥感分类方法研究 学习一下 还是很有用处的
论文研究-一种基于聚类核的半监督支持向量机分类方法.pdf
浏览:107
为了在标记样本数目有限时尽可能地提高支持向量机的分类精度, 提出了一种基于聚类核的半监督支持向量机分类方法。该算法依据聚类假设, 即属于同一类的样本点在聚类中被分为同一类的可能性较大的原则去对核函数进行构造。采用K-均值聚类算法对已有的标记样本和所有的无标记样本进行多次聚类, 根据最终的聚类结果去构造聚类核函数, 从而更好地反映样本间的相似程度, 然后将其用于支持向量机的训练和分类。理论分析和计算
论文研究-基于半监督支持向量机的并行远同源检测方法.pdf
浏览:54
在生物信息学中,对给定氨基酸序列的蛋白质进行分类,检测细微的蛋白质序列相似性或远同源性对于准确预测蛋白质功能和结构都非常重要。提出一种新的基于半监督支持向量机的远同源性检测方法,通过定义序列概率剖面,充分利用大型数据库的非标记数据,并行构筑支持向量机核函数,并结合最近邻分类器实现对任何数据的全覆盖。实验表明,该方法能够大幅提高蛋白质序列分类器的性能与效率。使用并行技术将总体计算时间控制在一定范围,
一种半监督支持向量机优化方法
浏览:155
针对半监督支持向量机在采用间隔最大化思想对有标签样本和无标签样本进行分类时面临的非凸优化问题,提出了一种采用分布估计算法进行半监督支持向量机优化的方法EDA_S3VM。该方法把无标签样本的标签作为需要优化的参数,从而得到一个在标准支持向量机上的组合优化问题,利用分布估计算法通过概率模型的学习和采样来对问题进行求解。在人工数据集和公共数据集上的实验结果表明,EDA_S3VM与其它一些半监督支持向量机
基于两阶段学习的半监督支持向量机分类算法
浏览:18
提出了一种基于两阶段学习的半监督支持向量机(semi-supervised SVM)分类算法.首先使用基于图的标签传递算法给未标识样本赋予初始伪标识,并利用k近邻图将可能的噪声样本点识别出来并剔除;然后将去噪处理后的样本集视为已标识样本集输入到支持向量机(SVM)中,使得SVM在训练时能兼顾整个样本集的信息,从而提高SVM的分类准确率.实验结果证明,同其它半监督学习算法相比较,本文算法在标识的训练
半监督支持向量机S3VM:半监督支持向量机(S3VM)方法
浏览:122
3星 · 编辑精心推荐
半监督支持向量机S3VM:半监督支持向量机(S3VM)方法
安全半监督支持向量
浏览:103
一个针对使用半监督支持向量机进行分类时产生不足而提出的改进方案,能在MATLAB中很好运行
基于安全的半监督支持向量机
浏览:53
基于安全半监督支持向量机的分类,matlab实现代码。
基于半监督学习和支持向量机的煤与瓦斯突出预测研究
浏览:154
针对支持向量机要求输入向量为已标记样本,而实际应用中已标记样本很难获取的问题,提出将半监督学习和支持向量机结合的煤与瓦斯突出预测方法;介绍了采用SVM预测煤与瓦斯突出的流程及其输入向量的选择;对半监督学习中...
研究论文-均值聚类和孪生支持向量机相结合的高光谱图像半监督分类.pdf
浏览:34
半监督分类方法是基于传统的机器学习的一种分类方法,它可以利用少量带标签的监督信息和大量无监督信息解决获取大量监督信息问题。将分类精度高、分类时间长的孪生支持向量机分类方法与迭代速度快、收敛速度快的的
基于流形正则化的支持向量机文本分类 (2013年)
浏览:113
本文将半监督学习算法应用到基于支持向量机的文本分类技术[1-2] 中,提出了一组基于几何正则化方式的学习算法。虽然这种新型算法适用于无监督到完全监督的整个范围,本文专注于半监督学习算法方面的研究。之后,本文...
semisup-learn:python的半监督学习框架,允许将scikit-learn分类器拟合到部分标记的数据
浏览:118
半监督支持向量机(S3VM)-一种简单的scikit-learn兼容包装器,用于由Fabian Gieseke,Antti Airola,Tapio Pahikkala,Oliver Kramer开发的QN-S3VM代码(请参见 )包含此方法用于比较 第一种方法是对的新颖扩展...
半监督支持向量机概述
浏览:193
半监督支持向量机概述
基于流形的办监督分类方法研究
浏览:76
提出了一种基于流形学习的半监督分类方法,为浙大博士论文,导师张振跃
基于最小二乘法的无监督支持向量机 (2014年)
浏览:33
将最小二乘支持向量机的思想引入无监督学习,提出一个最小二乘无监督支持向量机。首先假设超平面过样本中心点,再给出线性可分的条件构造目标函数和约束条件,从而得到一个线性规划问题去求解聚类问题。
基于有监督分类的地物识别
浏览:154
4星 · 用户满意度95%
基于有监督分类的地物识别,采用神经网络的方法
极市线上分享第9期-基于无监督与半监督方法的人脸识别研究
浏览:20
极市平台第九期中南大学李仪博士的分享 基于无监督与半监督方法的人脸识别研究
Multi-class-SVM-Image-Classification.rar_SVM 遥感图像 分类_svm class_s
浏览:85
但由于遥感图像分类类别多,所需训练样本较大,人工选择效率较低,为此提出以人工选择初始聚类质心、C均值模糊聚类算法自动标注训练样本的基于多类支持向量机的半监督式遥感图像分类方法,期望能在获得适用的分类精度的...
论文研究-基于SVM-KNN的半监督托攻击检测方法.pdf
浏览:53
针对支持向量机方法在标记用户数据不充分的情况下无法有效实现托攻击检测的不足,提出一种基于SVM-KNN的半监督托攻击检测方法。根据少量标记用户数据训练一个初始SVM分类器,利用初始SVM对大量未标记用户数据进行...
基于半监督TSVM的Landsat图像云检测
浏览:38
本文利用半监督学习理论构建了一个包含未标记样本的分类模型,并提出了一种基于半监督双支持向量机的云检测算法,该算法仅使用Landsat波段1的数据进行波段划分。如图5所示,由于Landsat数据连续性任务卫星的热红外...
半监督特征选择综述
浏览:5
首先探讨了半监督特征选择方法的分类,将其按理论基础的不同分为基于图的方法、基于伪标签的方法、基于支持向量机的方法以及其他方法;然后详细介绍并比较了各个类别的典型方法;之后整理了半监督特征选择的热点应用...
基于机器学习的作物病害图像处理及病变识别方法研究
浏览:149
5星 · 资源好评率100%
本文围绕面向不均匀样本集的惩罚校正 SVN 分类方法、作物病害图像的病变识别预处理、病变模式识别的数值分析特征提取及 SVN 识别、病变图像模式半监督深度学习特征提取及识别、病变图像模式监督深度学习特征提取和...
基于显著度的非监督抠像方法 (2012年)
浏览:101
为免除抠像过程中的人工参与步骤,提出一种基于显著度的非监督抠像方法。提取输入图像的显著度图,利用块融合与块过滤方法,获得抠像的参考信息,将图像划分为多个层次进行多分辨率抠像,从图像背景中抠取出前景物体。实验结果证明,该抠像方法在计算速度和抠像效果上均优于非监督的光谱抠像方法。
遥感图像分类(包含监督分类和非监督分类方法)
浏览:113
5星 · 资源好评率100%
很有用的遥感图像分类 介绍的很详细 包含监督分类和非监督分类方法
论文研究-基于模糊函数SVD和改进S3VM的雷达信号识别.pdf
浏览:28
针对传统的半监督支持向量机(Semi-supervised SVM,S3VM)的不足,利用改进的S3VM构建分类器对雷达信号进行分类,完成对测试样本的识别。该方法通过启发式采样搜索来寻求具有代表性的多个大边缘低密度的分类决策面...
awesome-semi-supervised-learning:令人敬畏的半监督学习论文,方法和资源的最新和精选列表
浏览:150
一些常用的方法包括:具有生成混合模型的EM,自我训练,一致性正则化,协同训练,转导支持向量机和基于图的方法。随着深度学习的到来,这些方法中的大多数已被改编并整合到现有的深度学习框架中,以利用未标记的数据...
评论
收藏
内容反馈
立即下载
资源评论
资源反馈
评论星级较低,若资源使用遇到问题可联系上传者,3个工作日内问题未解决可申请退款~
联系上传者
评论
weixin_38710198
粉丝: 6
资源:
914
私信
上传资源 快速赚钱
我的内容管理
展开
我的资源
快来上传第一个资源
我的收益
登录查看自己的收益
我的积分
登录查看自己的积分
我的C币
登录后查看C币余额
我的收藏
我的下载
下载帮助
前往需求广场,查看用户热搜
最新资源
C# 文件的输入与输出笔记.pdf
母亲节快乐代码一份赠母亲
母亲节快乐代码一份赠母亲
程序员面试宝典32道java程序员面试题及答案.docx
全球国家列表和国家代码最详细版本
自定义flink1.14-flink-connector-jdbc连接SQLServer和SAP
欧阳雨彤202330813009.py
基于 Yolov5 的自动贴标IMG,以及许多其他有用的工具
基于STM32F103C8T6、LCD1602、AD5206(I2C接口)6路数字电位器的proteus仿真应用设计
021315100-2405220913.awb
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功