基于主动学习SVM分类器的视频分类

提出一种基于主动学习SVM分类器的视频分类算法.该算法分为两个步骤:首先分析并提取与视频类型有关的十维底层视觉特征;然后用SVM分类器建立这些底层特征与视频类型之间的联系.在获取SVM分类器所需的训练样本时,采用主动学习的方法选择对SVM分类器最"有用"的样本提供给用户进行标注,用更少的训练样本获得与大量训练样本近似的分类效果,从而减轻用户标注负担.针对多类SVM分类的主动学习问题,提出用后验概率计算分类器对未标注样本的置信度进行样本选择.实验结果表明,主动学习算法与随机采样标注的被动学习算法相比,在相同的训练样本情况下能够获得更高的分类精度;而基于后验概率选择样本的主动学习要略好于传统的基于变型空间(version space)选择样本的主动学习.     

一种新的选择性支持向量机集成学习算法

针对支持向量机(SVM)在应用于集成学习中会失效的问题,提出一种选择性SVM集成学习算法(SE-SVM),利用ξα误差估计法估计个体SVM泛化性度量,并基于负相关学习理论引入差异性度量,通过递归删除法选择出一组泛化性能优良、相互间差异性大的SVM参与集成学习.基于UCI数据的仿真实验表明,SE-SVM能够平均提高SVM的分类正确率0.4%,比常规的Bag-ging集成学习方法和负相关集成学习方法的分类正确率分别提高了0.24%和0.16%.     

基于知识融合的在线文本分类算法--语义SVM

为使支持向量机(SVM)更加适用于在线文本分类应用,利用SVM在小训练样本集条件下仍有高泛化能力的特性,结合文本特征向量在特征空间中具有聚类性的特点,提出一种用语义中心集代替原训练样本集作为训练样本和支持向量的SVM语义SVM.文中给出了语义中心集的生成步骤、语义SVM的在线学习算法框架,以及基于SMO算法的在线学习算法的实现.实验结果表明,相对于标准SVM,语义SVM及其在线学习算法不仅在线学习速度和分类速度有数量级提高,而且在分类准确率方面具有一定优势.     

主动支持向量机的研究及其在蒙文文本分类中的应用

介绍了一种用支持向量机(SVM)进行主动学习的方法,解决在某些机器学习问题中,训练样本获取代价过大带来的问题.与普通的SVM方法相比,该方法所需的样本量大大降低,而且可能达到更好的推广能力,在蒙文文本分类中的应用说明了该算法的有效性.     

图像检索中基于记忆与半监督的主动相关反馈算法

为快速提高相关反馈算法的效率,提出一种记忆与半监督相结合的主动相关反馈算法.在检索初期,利用记忆信息获得较多的正训练样本,利用用户已标记样本与数据库内未标记样本有效地解决训练样本不平衡问题,获得准确的初始SVM分类器;在检索后期,利用主动学习算法寻找数据库内对优化学习过程中最有用的样本请求用户标记,减少用户标记的样本量,加快收敛速度.对5000幅Corel图像数据库的实验表明,与传统相关反馈算法相比,新算法能够显著提高学习器的效率和性能,并快速收敛于用户的查询概念.     

基于图像注释与检索的SVM应用研究

基于内容的图像检索技术产生时代背景、研究过程、目前研究程度及相关技术,本文进行了研究.论述了SVM的技术原理；并综述了前人对SVM应用在图像标注检索上做相关工作,对这些工作的优缺点通过分析比较,引出以后研究需要解决的问题和有益可行的方法.在前人的成功经验的基础上,该文提出了一种新的算法:多个SVM与主动学习能够增强检索性能,每个SVM的分类结果可以通过不同的计算确信度方法来评估,以达到很好的效果.     

基于增量式SVM的入侵检测研究

现实中入侵行为是层出不穷的,因此入侵检测系统必须能对新的入侵行为进行学习.提出基于存活因子的增量学习支持向量机(SVM)训练算法,通过边界样本集和准边界样本集对已知的入侵知识进行表示,能有效地对新入侵进行增量式学习.并且,采用了带存活因子的增量学习方式,可以有效地抑制算法的“震荡效应”,提高SVM算法进行入侵检测学习的自适应性和鲁棒性.     

基于部分监督学习的WEB日志数据预处理

针对采集自客户端的Web数据,提出了一种基于部分监督学习的数据预处理方法.首先分析了数据清理的主要任务和样本数据的基本特征,然后采用基于部分监督学习的方法完成数据清理工作.该方法有两个核心步骤:(1)基于规则的学习完成正例标注,即获得训练集中的正例;(2)建立SVM分类器完成测试集中的正例标注.     

密度函数估计的修正SVM法

 讨论密度函数的非参数估计问题,提出了一种修正的支持向量机(SupportVectorMachines,简记为SVM)方法,修正SVM法是在SVM方法的基础上进行简单改进而得到的,它是基于概率理论的概率大的事件其对应的样本数目会比概率小的事件的对应的样本数目多一些这一先验性质而产生的,这样估计的函数能更好地近似真正的密度函数.同时,由于密度函数的估计问题是不适定的,文中密度函数估计采用了正则化技术处理这一估计问题,最后通过一模拟实验,表明采用修正SVM法比采用SVM法进行密度函数估计能更好地逼近真实密度函数.     

计算机学习的SVM方法与应用软件平台CMSVM

1支持向量机方法的基本思想 V N.Vapnik等人提出的统计学习理论是一种小样本学习理论,基于这一理论近年提出的支持向量机(Support Vector Machines简称SVM)方法,为解决基于数据的非线性建模问题提供了一个新思路.     

基于包层多示例主动学习的图像检索

通过详细分析多示例主动学习的特点,提出将多示例主动学习概括为包层、示例层以及混合层次主动学习三种模式;针对包层主动学习,将示例数目统计特征作为重要度量并与样本不确定性相结合,提出一种新的样本选择策略.在Corel数据集上进行实验,与传统的主动学习方法比较表明,该算法能够有效减少学习的样本数,显著提高学习器的效率和性能.     

网络环境下化学自主学习模式的建构与运作策略

基于网络环境的化学自主学习,既是对传统学习方式的挑战,也是适应网络时代化学教育需求的一种全新的学习模式。该文结合网络环境下自主学习的特点,提出了网络环境下构建化学自主学习模式的理论基础、构建原则、学习模式及其运作策略。     

经验学习理论视域下有效活动性学习探究

活动性学习是经验学习的基本存在形式,经验学习的核心是活动.活动性学习的基本理念是"以活动促发展",有效的活动需要从活动品质、活动方式、活动模式、活动条件4个维度来把握.     

基于HS样本选择和BvSB反馈的多类图像分类

针对主动学习由于初始阶段随机选择样本而导致的抽样偏差,将Sanjoy Dasgupta等人提出的分层聚类采样(Hierarchical sampling,HS)引入到主动学习方法中,替代初始阶段随机样本选择,然后在基于支持向量机分类器的图像算法中引入最优标号和次优标号(Best vs second-best,BvSB)的反馈准则,提出了基于HS和BvSB(HS+BvSB)的多类图像分类方法。分别在两组标准测试数据集上进行分类实验,比较HS+BvSB方法与随机选择样本+BvSB方法的学习性能,结果表明,随着初始选择样本数目的增多,提出的Hs+BvSB方法具有更优的性能。     

主动学习策略的培养与大学英语教学

从“以学习者为中心”模式对学生主动学习策略的要求为出发点 ,讨论了主动学习策略的构成。然后结合实证调查 ,说明急需提高学生的主动学习策略。最后根据具体的教学实践 ,提出应如何在课堂教学中正确引导学生主动学习策略的培养。     

利用主动学习改进遥感图像单类分类: 以正类和未标记样本学习方法为例

针对单类分类方法中只用正类训练样本导致训练样本数量和质量的选择直接影响分类结果精度的问题, 以正类和未标记样本学习(PUL)为例, 研究如何利用主动学习选择训练样本, 以求改善单类分类的精度。首先用随机选取的训练样本进行PUL分类, 直到获得稳定的分类精度, 然后利用主动学习选择和增加最有用(informative)的正类或负类样本, 用于PUL分类。结果表明, 当利用足够多的随机选取的正类样本得到稳定的分类精度后, 利用主动学习选择和增加正类样本可以提高分类精度; 利用主动学习的同时加入正类和负类样本, 可以得到比只加入正类样本更高的分类精度; 将利用主动学习得到的正类样本经相似性筛选后得到的正类样本, 分类精度与直接利用主动学习选择的样本相似, 但达到同样精度时需要更少的样本。因此, 利用主动学习选择和增加样本可以有效地改善单类分类的精度。     

结合情感词典的主动贝叶斯文本情感分类方法

提出一种改进的结合情感词典的主动贝叶斯情感分类方法(SLAB).为了证明提出方法的有效性,选用康奈尔影评数据集和互联网电影资料库(IMDB)数据集作为实验数据,并与基于不确定性采样策略的主动学习方法进行比较.结果表明:文中提出的方法在较少的标注训练集下,能够取得更高的分类准确率,一定程度上解决了基于不确定性采样策略的主动学习方法中的误差累积问题.     

基于多媒体网络的大学物理研究性学习探讨

研究性学习是在教师指导下学生高度自主性和创造性的学习,对培养大学生的创新精神和实践能力有重要意义.基于多媒体网络可以提供特殊的资源和环境支持,设计了一种新的应用于大学物理的学习方法.在建构主义指导下,这种学习方式旨在改变学生单纯接受知识的旧的学习方式,帮助学生形成一种主动探究并注重解决实际问题的新型学习方式.     

基于主动学习的资源优化分配方案研究

从实际应用的角度阐述分析了主动学习算法在资源优化分配中的应用问题,首先分析了主动学习的发展问题,并给出了主动学习的数学描述,在此基础上,重点以学生分班为例阐述了主动学习算法的应用问题。     

基于QBC主动学习方法建立电信客户信用风险等级评估模型

电信客户信用风险等级评估是对电信客户的信用风险进行等级分类. 针对建立客户信用风险等级分类模型时,大量带有类标注数据难以获得的问题,提出了基于主动学习的分类器建模方法,并对基于QBC(委员会投票选择)的主动学习算法进行改进以提高分类器的预测精度. 通过对实际电信客户数据进行信用风险等级建模实验,结果表明:应用新算法,分类器使用了较少的带类标签样本数据,达到了与被动学习相同的精度,大大降低了信用专家评估数据的工作量.