[1]徐庆伶 汪西莉.一种基于支持向量机的半监督分类方法[J].计算机技术与发展,2010,(10):115-117.
　XU Qing-ling,WANG Xi-li.A Novel Semi-Supervised Classification Method Based on SVM[J].,2010,(10):115-117.
点击复制

一种基于支持向量机的半监督分类方法()
分享到：

《计算机技术与发展》[ISSN:1006-6977/CN:61-1281/TN]

卷:
期数:
2010年10期
页码:
115-117
栏目:
智能、算法、系统工程
出版日期:
1900-01-01

文章信息/Info

Title:
A Novel Semi-Supervised Classification Method Based on SVM
文章编号:
1673-629X（2010）10-0115-03
作者:
徐庆伶 汪西莉
陕西师范大学计算机科学学院
Author(s):
XU Qing-ling; WANG Xi-li
School of Computer Science,Shaanxi Normal University
关键词:
半监督学习; 支持向量机; 遗传算法
Keywords:
semi-supervised learning;  support vector machine（SVM）;  genetic algorithm（GA）
分类号:
TP181
文献标志码:
A
摘要:
如何有效利用海量的数据是当前机器学习面临的一个重要任务,传统的支持向量机是一种有监督的学习方法,需要大量有标记的样本进行训练,然而有标记样本的数量是十分有限的并且非常不易获取。结合Co-training算法与Tri-training算法的思想,给出了一种半监督SVM分类方法。该方法采用两个不同参数的SVM分类器对无标记样本进行标记,选取置信度高的样本加入到已标记样本集中。理论分析和计算机仿真结果都表明,文中算法能有效利用大量的无标记样本,并且无标记样本的加入能有效提高分类的正确率
Abstract:
One of the important assignment in machine learning is how to use large-scale data effectively,the traditional SVM is a kind of supervised learning approach,it needs a number of labeled samples for training,but the labeled samples are limited and very difficult to obtain.A semi-supervised SVM for classification is proposed by binding the thoughts of Co-training and Tri-training together.This method uses two SVM classifiers with different parameters to label the unlabeled samples,then chooses the samples with high confidence level to extend the labeled sample-set.Both theoretical analysis and simulation results indicatethat this method can use a lot of unlabeled samples effectively, and the addition of unlabeled samples can improve classification accuracy availably

相似文献/References:

[1]李雷 张建民.一种改善的基于支持向量机的边缘检测算子[J].计算机技术与发展,2010,(03):125.
　LI Lei,ZHANG Jian-min.An Improved Edge Detector Using the Support Vector Machines[J].,2010,(10):125.
[2]陈俏 曹根牛 陈柳.支持向量机应用于大气污染物浓度预测[J].计算机技术与发展,2010,(01):247.
　CHEN Qiao,CAO Gen-niu,CHEN Liu.Application of Support Vector Machine to Atmospheric Pollution Prediction[J].,2010,(10):247.
[3]李晶 姚明海.基于支持向量机的语义图像分类研究[J].计算机技术与发展,2010,(02):75.
　LI Jing,YAO Ming-hai.Research of Semantic Image Classification Based on Support Vector Machine[J].,2010,(10):75.
[4]陈锦禾 沈洁.基于信息熵的主动学习半监督分类研究[J].计算机技术与发展,2010,(02):110.
　CHEN Jin-he,SHEN Jie.Active Learning Based on Information Entropy for Semi- supervised Classification[J].,2010,(10):110.
[5]姜鹤 陈丽亚.SVM文本分类中一种新的特征提取方法[J].计算机技术与发展,2010,(03):17.
　JIANG He,CHEN Li-ya.A New Feature Selection Method in SVM Text Categorization[J].,2010,(10):17.
[6]曹庆璞 董淑福 罗赟骞.网络时延的混沌特性分析及预测[J].计算机技术与发展,2010,(04):43.
　CAO Qing-pu,DONG Shu-fu,LUO Yun-qian.Chaotic Analysis and Prediction of Internet Time- Delay[J].,2010,(10):43.
[7]路川 胡欣杰.区域航空市场航线客流量预测研究[J].计算机技术与发展,2010,(04):84.
　LU Chuan,HU Xin-jie.Analysis of Regional Airline Passenger Forecast Title[J].,2010,(10):84.
[8]黄炜 黄志华.一种基于遗传算法和SVM的特征选择[J].计算机技术与发展,2010,(06):21.
　HUANG Wei,HUANG Zhi-hua.Feature Selection Based on Genetic Algorithm and SVM[J].,2010,(10):21.
[9]孙秋凤.microRNA计算识别中的模式识别技术[J].计算机技术与发展,2010,(06):97.
　SUN Qiu-feng.Pattern Recognition Technology for MicroRNA Identification[J].,2010,(10):97.
[10]刘振岩 王勇 陈立平 马俊杰 陈天恩.基于SVM的农业智能决策Web服务的研究与实现[J].计算机技术与发展,2010,(06):213.
　LIU Zhen-yan,WANG Yong,CHEN Li-ping,et al.Research and Implementation of Intelligence Decision Web Services Based on SVM for Digital Agriculture[J].,2010,(10):213.

备注/Memo

备注/Memo:
国家自然科学基金（40671133）徐庆伶（1984-）,女,硕士研究生,研究方向为智能信息处理、模式识别、图像处理. 汪西莉，教授，硕士生导师，研究方向为智能信息处理、模式识别、图像处理等
更新日期/Last Update: 1900-01-01