论文摘要
针对基于SVM的主动学习算法在对数据进行查询时,没有充分考虑噪声点的影响及大量未知区域的分布情况,本文提出基于半监督FCM算法和SVM的主动学习算法,首先,对训练数据进行半监督聚类,用得到的聚类中心区域训练初始的SVM分类面,然后在此基础上进行基于SVM的主动学习。这不仅充分利用了无标记样本,有效地消除了噪声点的影响,而且避免了单纯使用SVM导致分类面长期滞留在不合理位置的情况发生。另外,传统的半监督聚类对于特殊分布的数据聚类性能不高,对此提出了一种新的聚类中心区域的确定方法,发掘不规则数据形状的聚类中心,使中心区域的确定更加准确合理。
论文目录
相关论文文献
- [1].基于密度峰值选取聚类中心的优化[J]. 内江科技 2016(10)
- [2].聚类中心初始值选择方法综述[J]. 中国电子科学研究院学报 2019(04)
- [3].自动确定聚类中心的密度峰值算法[J]. 计算机工程与应用 2018(08)
- [4].自动确定聚类中心的密度峰聚类[J]. 计算机科学与探索 2016(11)
- [5].一种用于蛋白质结构聚类的聚类中心选择算法[J]. 自动化学报 2011(06)
- [6].基于聚类中心分离的模糊聚类模型[J]. 华南理工大学学报(自然科学版) 2008(04)
- [7].基于正序迭代选择策略的聚类中心自动选择方法[J]. 模式识别与人工智能 2019(02)
- [8].一种多聚类中心的划分方法[J]. 中国计量学院学报 2014(02)
- [9].基于线性回归分析的快速搜索聚类中心算法[J]. 系统工程与电子技术 2017(11)
- [10].基于局部阈值和聚类中心迭代的肺结节检测算法[J]. 计算机科学 2012(02)
- [11].聚类中心初始化的新方法[J]. 控制理论与应用 2010(10)
- [12].基于核最优变换与聚类中心的雷达目标识别[J]. 控制与决策 2008(07)
- [13].核最优变换与聚类中心的算法[J]. 西安电子科技大学学报 2009(01)
- [14].动态分配聚类中心的改进K均值聚类算法[J]. 计算机技术与发展 2017(02)
- [15].一种截断距离和聚类中心自适应的聚类算法[J]. 数据分析与知识发现 2018(03)
- [16].自动确定聚类中心的移动时间势能聚类算法[J]. 南京大学学报(自然科学) 2019(01)
- [17].基于改进聚类中心分析法的红外行人分割[J]. 计算机工程 2011(06)
- [18].基于核空间中最优变换和聚类中心的鉴别特征提取[J]. 计算机研究与发展 2008(12)
- [19].一种改进的基于大密度区域的FCM算法[J]. 福建电脑 2018(11)
- [20].基于密度的聚类中心自动确定的混合属性数据聚类算法研究[J]. 自动化学报 2015(10)
- [21].云计算中K-means聚类中心优化求解方法[J]. 科技通报 2015(10)
- [22].自动确定聚类中心的数据竞争算法[J]. 计算机工程与应用 2018(24)
- [23].基于全局性确定聚类中心的文本聚类[J]. 计算机工程与应用 2011(10)
- [24].基于自适应聚类中心的脑血管分割方法[J]. 郑州大学学报(工学版) 2019(01)
- [25].基于多密度峰值的CFSFDP算法改进[J]. 计算机应用与软件 2019(08)
- [26].应用极化聚类中心设计快速自适应极化滤波器[J]. 国防科技大学学报 2015(04)
- [27].基于KL散度的密度峰值聚类算法[J]. 重庆邮电大学学报(自然科学版) 2019(03)
- [28].基于密度峰值和网格的自动选定聚类中心算法[J]. 计算机科学 2017(S2)
- [29].K-means算法聚类中心选取[J]. 吉林大学学报(信息科学版) 2019(04)
- [30].基于数据分布特性的聚类中心初始化方法[J]. 微电子学与计算机 2011(11)