多值次伪压缩映象不动点和多值次增生映象零点的Ishikawa迭代逼近

在一般的Banach空间中，研究了多值次伪压缩映象不动点和多值次增生映象零点的具有误差的Ishikawa迭代逼近问题，所得结果改进和推广了这一领域内一些相关的结果。     

一种基于协同训练半监督的分类算法

为提高少量样本情况下分类器的性能,提出一种基于多分类器协同的半监督样本选择方法,利用未标注样本实现样本增强,提高分类器泛化能力.依靠多分类器的互相监督和多分类器标签一致的原理,将已标记样本作为训练集,利用SVM和RF两个分类器协同训练,多分类器的类别标签和确定度值作为约束条件,从未标记样本集中筛选出最有代表性的样本构成增强样本集,以准确率为评价标准,验证本算法对分类器泛化性能的影响.本算法在手写数字数据集(Mnist字符库)和Landsat土壤数据集上测试,实验结果表明相比少量原始训练样本构建的分类器,增强样本构建分类器预测的全部类别准确率都得到提升.两个数据集的总体准确率分别提升5.97%和7.02%,Mnist数据集中数字5这类准确率提升最高(提升11.9%,从79.3%到91.2%),Landsat土壤数据集中土壤3这一类准确率提升最明显(提升15.8%,从73.5%到89.3%),结果证明了该算法显著提高了分类器的泛化性能.同时与经典的KNN、Co-training和Co-forest算法对比,所提出的算法能够最大限度地利用未标记样本信息,具有最好的精度表现,证明了该研究提出算法的优越性.     

大规模伪凸二次规划的一种分解算法

对于大规模的具有伪凸目标函数的二次规划问题，本文提出一种分解算法。同时给出该算法的收敛性证明，并指出该算法使主问题的可行域始终保持在一个最小的广义单纯形上。     

半监督学习研究进展

半监督学习问题广泛存在于现实世界中,已经成为目前机器学习和模式识别领域中的一个研究热点.文章综述了半监督学习问题的基本思想、研究现状、常用算法及其一些应用领域,分析了目前存在的主要困难,并指出需进一步研究的几个问题.     

单参数二次基伪素数的一些性质

在张振祥[1]的研究基础上,讨论并给出了单参数二次基伪素数的一些性质,主要包括:由该伪素数生民的代数整数环的剩余类环中的单位构成的群的阶及结构、两个单参数二次基伪素数基的乘积仍是单参数二次基伪素数基的条件.     

基于伪数据相关矩阵二次重构的DOA估计新算法

针对传统波达方向估计算法在强信号邻近时弱信号难以估计和信源相干情况下算法性能失效的问题,通过对传统波达方向估计算法的理论推导和研究分析,变换阵元的数据接收矩阵来重构协方差矩阵,再对新的协方差矩阵对应信号的较大特征值进行重新排序,构造出伪数据相关矩阵,并结合MUSIC谱进行谱峰搜索完成对强弱邻近相干信源的波达方向估计.通过仿真比较,结果表明新算法消除了信号的相干性,不造成阵列孔径损失,并能对强弱邻近信号作出准确估计.     

基于伪码捕获的迭代消息传递算法FPGA设计

为了充分发挥伪码捕获的迭代消息传递算法快速捕获的特点,根据迭代消息传递捕获算法的流程,提出了其在FPGA上的实现方案,给出了用于迭代计算的RAM块组织结构、迭代方式和迭代后的数据分析方法.通过海上实测数据验证表明,实际捕获时间小于2s,能够快速捕获无线电导航系统中的天波干扰信号,证明了该算法的有效性和实用性.     

基于二次插值的人工蜂群算法

人工蜂群算法是一种基于蜜蜂采蜜行为的一种优化算法.针对标准人工蜂群算法的收敛速度慢、搜索能力差、精度低的缺点。提出了一种基于二次插值的人工蜂群算法(QIABC)。保持全局搜索和局部搜索的平衡.数值实验说明了改进的人工蜂群算法在函数评价次数、收敛速度、精度和鲁棒性方面具有较大的优势,从而表明改进方法的有效性。     

对称仿射二次锥互补问题的二级迭代算法

仿射二次锥互补问题是一类重要的均衡优化问题,包括线性互补问题、半定互补问题、非线性互补问题等。基于矩阵分裂,提出了求解对称仿射二次锥互补问题的一类迭代算法,给出了算法的全局收敛性。并在一定条件下分析了算法的收敛速度。     

脑-机接口系统的类协同式半监督学习

针对如何提高有标签样本不足时的分类精度问题。提出脑-机接口系统(BCI)的类协同半监督学习算法(LCTSSL),采用有监督和无监督两种算法提取双特征训练双分类器协同扩充有标签样本集。在训练前后阶段设置不同置信度度量,选择两分类器分类结果一样的高置信度样本进行标记,保持每类每次新标记样本数目一样,提高有标样本集的可信度及识别系统的鲁棒性。迭代更新两分类器、有监督提取系统及相应特征,充分利用新标签信息。最后利用BCI竞赛2005的数据I证明LCTSSL算法的有效性。     

半监督支持向量机的多分类学习算法

半监督支持向量机同支持向量机一样,已经在很多分类、归类问题上取得较好的效果,但是支持向量机需要求解二次凸规划,因此在处理大规模数据时会消耗大量存储空间和计算时同,特别是在多分类问题上则更加困难.因此,提出一种半监督支持向量机算法,适合多分类问题,并将其用于解决实际问题.     

基于核方法的半监督超图顶点分类算法分析

分类学习算法的研究是计算机科学的研究热点,超图上顶点的分类问题作为一般图顶点分类问题的推广,被广泛应用于各种计算模型。对基于核方法的半监督超图顶点分类算法进行理论分析,给出算法的收敛性分析和广义界估计值。     

用于在线产品评论质量分析的Co-training算法

在线评论广泛存在于电子商务网站平台, 其中包含着客户对产品的评价及偏好. 高效分析在线评论数据并满足客户需求, 对许多谋求立足于竞争激烈的国际化市场的企业来说至关重要. 但因在线评论的质量不一, 使得如何分析在线评论的质量成为一项重要工作. 从两个方面提取特征对在线评论进行描述, 并构建了一种Co-training算法来判断评论的质量. 通过对比实验验证了该算法相对于单一分类算法的优势.     

半监督学习算法的收敛性及其在人脸识别中的应用

研究了半监督学习的一致性学习算法及其变形.通过引入圆盘定理,证明了一致性学习算法收敛的条件;针对变形学习算法,给出了使用变形矩阵的合理性解释;最后将一致性学习算法及其变形应用于人脸识别问题,对该算法中的参数以及变形矩阵进行了实验研究,并与支持向量机方法进行了性能比较.     

基于一种多分类半监督学习算法 的驾驶风格分类模型

基于驾驶模拟平台设计实验方案,同步采集驾驶员的驾驶操作信息和车辆状态信息,选取6个表征驾驶风格的特征参数,采用主成分分析(Principal Component Analysis,PCA)算法对多元特征参数进行特征提取,将前3个主成分作为驾驶风格识别模型的特征输入.利用K-means聚类完成样本标记工作.基于有监督支持向量机(Support Vector Machine,SVM)与多分类半监督学习算法(i MLCU)的原理,分别建立SVM与i MLCU驾驶风格识别模型,通过调节标记样本与未标记样本比例,对比使用不同样本比例训练的SVM和i MLCU模型的驾驶风格识别准确率.结果表明:相比于SVM,i MLCU表现出了更优异的驾驶风格识别能力,由此可知半监督i MLCU模型可以利用未标记样本提高模型对驾驶风格的识别能力.     

一种用于语音质量评价的半监督学习方法研究

自动语音质量评估是一项重要的任务,因标注缺乏、对不可见记录条件的不良概括以及现有方法缺乏灵活性等问题阻碍了评估研究的进展.提出使用半监督学习方式来解决这些问题,将可用的标注数据与自动生成的数据相结合,并使用3个不同的优化准则以及5个互补的辅助任务进行联合优化.实验结果表明,这种半监督学习的方式可以将现有方法的误差率减少36％以上,同时在可重用特征或辅助输出方面可以提供额外的效益.同时,实验结果也显示出该方法具有良好的泛化能力和有效性.     

一种基于KNN的半监督分类改进算法

本文提出一种新的基于KNN分类的半监督学习self-training改进算法,并以多个UCI数据集为实验,对基于KNN的半监督分类模型算法进行改进,充分利用已知类别标签数据的正确知识进行自训练,以得到最终分类结果.实验结果表明,该方法能显著提高分类准确率.     

基于半监督学习的多源异构数据治理

为实现不同数据管理系统之间的互通,提出一种基于半监督学习算法的多源异构数据治理框架,并由此设计、实现和测试了一套非结构化数据与结构化数据的自动化对齐方法。利用命名实体识别（NER）技术,将非结构化数据转化为结构化数据,再分别利用基于字符串相似度的方法和基于监督学习的方法,对结构化数据进行模式匹配;通过半监督学习方法,在结构化数据与数据库记录实体之间进行实体匹配与融合;利用自然语言处理（NLP）技术及深度学习方法,对融合后的数据集进行缺失值填补。结果表明：在论文数据集和视频元数据集上进行对齐处理后,两者的F1值分别达到89.70%及96.50%;在不同属性上进行缺失值填补后,整体填补准确率达到78%以上,大大优于基线方法的准确率。