收藏本站
《浙江工业大学》 2017年
收藏 | 手机打开
二维码
手机客户端打开本文

基于局部敏感哈希和支持向量机的半监督增量学习研究

林宣民  
【摘要】:近年来,随着计算机网络技术和传感器技术的发展,应用软件和设备产生了大量的高维数据,且规模呈几何级数增加。这些数据大多数是无标签样本或是带少量标签的样本,而给大量样本加标签是非常困难的。同时半监督式增量学习作为机器学习中的重要研究方向,对整个信息时代的发展都有着非常重要地意义。因此本文在研究传统机器学习算法的基础上,着重研究了基于支持向量机半监督增量学习。本文主要工作和成果如下:(1)查阅了大量国内外参考文献,讨论了现阶段半监督学和增量学习的研究进展,阐述了目前机器算法无法很好地适应复杂环境的现状,并对机器学习、半监督学习、支持向量机理论以及局部敏感哈希理论思想做了简要分析,为下文将要展开的研究做好理论基础。(2)分析了几种常用增量学习的不足,提出了一种基于局部敏感哈希的SVM增量学习方法。算法首先利用局部敏感哈希能快速查找相似数据的特性,在SVM算法的基础上,筛选出增量中可能成为SV的样本,然后与已有SV一起作为后续训练的基础。最后多个数据集的实验结果表明该算法能有效地提高训练学习的速度,并能保持有效的准确率。(3)在对半监督学习尤其是TSVM进行分析基础上,提出基于PCA-LSH的TSVM增量学习算法。算法筛选出第一次增量中与有标签样本相似的样本,通过TSVM得到SV,并筛选出再次增量中有可能成为SV的无标记样本,然后与已有SV和有标签样本一起作为后续半监督增量训练的基础。最后进行实验仿真,实验结果表明该算法提高了训练速度和分类精度,尤其在样本中带标签样本比重较小时具有极好的适应性。(4)最后,将本文提出的学习算法与实际应用相结合,验证了本文算法在实际应用中也有其有效性。
【学位授予单位】:浙江工业大学
【学位级别】:硕士
【学位授予年份】:2017
【分类号】:TP181

【参考文献】
中国期刊全文数据库 前10条
1 李斌;李丽娟;;基于改进TSVM的未知网络应用识别算法[J];电子技术应用;2016年09期
2 李妍坊;苏波;刘功申;;一种基于组合保留集的SVM增量学习算法[J];上海交通大学学报;2016年07期
3 茅嫣蕾;魏赟;贾佳;;一种基于KKT条件和壳向量的SVM增量学习算法[J];电子科技;2016年02期
4 蒋新华;高晟;廖律超;邹复民;;半监督SVM分类算法的交通视频车辆检测方法[J];智能系统学报;2015年05期
5 曹健;孙世宇;段修生;张泽建;;基于KKT条件的SVM增量学习算法[J];火力与指挥控制;2014年07期
6 张灿淋;姚明海;童小龙;张何栋;;一种新的基于KKT条件的错误驱动SVM增量学习算法[J];计算机系统应用;2014年01期
7 王立梅;李金凤;岳琪;;基于k均值聚类的直推式支持向量机学习算法[J];计算机工程与应用;2013年14期
8 王安娜;李云路;赵锋云;史成龙;;一种新的半监督直推式支持向量机分类算法[J];仪器仪表学报;2011年07期
9 赵耀红;王快妮;钟萍;王来生;;快速支持向量机增量学习算法[J];计算机工程与设计;2010年01期
10 彭新俊;王翼飞;;双模糊渐进直推式支持向量机算法[J];模式识别与人工智能;2009年04期
中国博士学位论文全文数据库 前1条
1 王述云;数据流频繁项挖掘与聚类分析的研究[D];复旦大学;2008年
中国硕士学位论文全文数据库 前1条
1 刘子军;基于TSVM的铁路电力系统谐波检测方法研究[D];重庆大学;2015年
【共引文献】
中国期刊全文数据库 前10条
1 李煜;冯翱;邹书蓉;;基于改进k-近邻的直推式支持向量机学习算法[J];计算机与现代化;2018年04期
2 姚明海;林宣民;王宪保;;基于局部敏感Hash的半监督直推SVM增量学习算法[J];浙江工业大学学报;2018年02期
3 张燕;;基于协同增量支持向量机的网络入侵检测[J];河南科学;2018年01期
4 梁怀新;郝连旺;宋佳霖;郑存芳;洪文学;;基于增量学习和Lasso融合的数据可视化模式识别方法[J];高技术通讯;2018年01期
5 姚明海;林宣民;王宪保;;一种基于局部敏感哈希的SVM快速增量学习算法[J];计算机科学;2017年S2期
6 杜红乐;张燕;;代价敏感的直推式支持向量机算法[J];河南科学;2017年08期
7 杜红乐;张燕;;基于Tri-training直推式支持向量机算法[J];河南科学;2017年07期
8 杜红乐;张燕;;基于增量支持向量机的入侵检测算法[J];微型电脑应用;2017年07期
9 李子彦;刘伟铭;;一种基于局部HOG特征的运动车辆检测方法[J];广西师范大学学报(自然科学版);2017年03期
10 刘艳丽;王铁建;;SVM算法在人脸识别中的应用研究[J];电脑知识与技术;2017年18期
中国博士学位论文全文数据库 前3条
1 李艳红;面向符号数据流的演化聚类分析[D];山西大学;2015年
2 欧阳震诤;不平稳数据流的分类技术研究[D];国防科学技术大学;2009年
3 屠莉;流数据的频繁项挖掘及聚类的关键技术研究[D];南京航空航天大学;2009年
中国硕士学位论文全文数据库 前1条
1 林宣民;基于局部敏感哈希和支持向量机的半监督增量学习研究[D];浙江工业大学;2017年
【二级参考文献】
中国期刊全文数据库 前10条
1 王变琴;余顺争;;未知网络应用流量的自动提取方法[J];通信学报;2014年07期
2 王一鹏;云晓春;张永铮;李书豪;;基于主动学习和SVM方法的网络协议识别技术[J];通信学报;2013年10期
3 刘杨磊;梁吉业;高嘉伟;杨静;;基于Tri-training的半监督多标记学习算法[J];智能系统学报;2013年05期
4 钱志明;杨家宽;段连鑫;;基于视频的车辆检测与跟踪研究进展[J];中南大学学报(自然科学版);2013年S2期
5 王元卓;靳小龙;程学旗;;网络大数据:现状与展望[J];计算机学报;2013年06期
6 崔建明;刘建明;廖周宇;;基于SVM算法的文本分类技术研究[J];计算机仿真;2013年02期
7 钱晓山;阳春华;;基于GEP的最小二乘支持向量机模型参数选择[J];智能系统学报;2012年03期
8 胡光龙;秦世引;;动态成像条件下基于SURF和Mean shift的运动目标高精度检测[J];智能系统学报;2012年01期
9 朱发;业宁;潘冬寅;丁文;;基于最小样本平面距离的支持向量机增量学习算法[J];计算机工程与设计;2012年01期
10 王一;杨俊安;刘辉;耿钦;;一种基于内壳向量的SVM增量式学习算法[J];电路与系统学报;2011年06期
中国硕士学位论文全文数据库 前7条
1 袁琳;高速铁路牵引供电系统仿真建模与谐波分析[D];华东交通大学;2014年
2 曾昭颖;基于数学形态谐波检测法的电能质量改善的研究[D];辽宁科技大学;2014年
3 刘杰;支持向量回归机在间谐波参数估计中的应用研究[D];重庆大学;2012年
4 陈文礼;基于支持向量机的间谐波参数估计方法研究[D];重庆大学;2011年
5 李娅;基于混沌理论的电力谐波检测研究[D];哈尔滨工程大学;2010年
6 盛彩飞;电力机车和动车组谐波电流的仿真研究[D];北京交通大学;2009年
7 邢小丽;电铁牵引供电系统谐波检测及背景谐波分析方法的研究[D];华北电力大学(河北);2008年
【相似文献】
中国期刊全文数据库 前10条
1 杨静;张健沛;刘大昕;;基于多支持向量机分类器的增量学习算法研究[J];哈尔滨工程大学学报;2006年01期
2 秦玉平;王秀坤;王春立;;实现兼类样本类增量学习的一种算法[J];控制与决策;2009年01期
3 秦玉平;王秀坤;王春立;;实现兼类样本增量学习的一种算法[J];计算机应用与软件;2009年08期
4 秦玉平;陈一荻;王春立;王秀坤;;一种新的类增量学习方法[J];计算机工程与应用;2011年34期
5 时建中;程龙生;;基于增量学习系统的财务危机动态预警[J];技术经济;2012年05期
6 王洪波;赵光宙;齐冬莲;卢达;;一类支持向量机的快速增量学习方法[J];浙江大学学报(工学版);2012年07期
7 秦玉平;伦淑娴;王秀坤;;一种新的兼类样本类增量学习算法[J];计算机科学;2012年09期
8 姜卯生,王浩,姚宏亮;朴素贝叶斯分类器增量学习序列算法研究[J];计算机工程与应用;2004年14期
9 刘梅,权太范,姚天宾;基于增量学习神经模糊网络的机动目标跟踪[J];电子学报;2005年11期
10 李祥纳;艾青;秦玉平;刘卫江;;支持向量机增量学习算法综述[J];渤海大学学报(自然科学版);2007年02期
中国重要会议论文全文数据库 前8条
1 秦亮;唐静;史贤俊;肖支才;;一种改进的支持向量机增量学习算法[A];2011年中国智能自动化学术会议论文集(第一分册)[C];2011年
2 罗长升;段建国;许洪波;郭莉;;基于拉推策略的文本分类增量学习研究[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年
3 张庆彬;吴惕华;刘波;;一种改进的基于群体的增量学习算法[A];第二十六届中国控制会议论文集[C];2007年
4 张健沛;李忠伟;杨静;;一种基于多支持向量机的并行增量学习方法(英文)[A];第二十二届中国数据库学术会议论文集(技术报告篇)[C];2005年
5 王悦凯;吴晓峰;翁巨扬;;Where-What网络增量学习特性探究[A];第一届全国神经动力学学术会议程序手册 & 论文摘要集[C];2012年
6 赵莹;万福永;;支持向量机的增量学习算法及其在多类分类问题中的应用[A];第25届中国控制会议论文集(下册)[C];2006年
7 刘欣;章勇;王娟;;增量学习的TFIDF_NB协同训练分类算法[A];中国电子学会第十六届信息论学术年会论文集[C];2009年
8 宫义山;钱娜;;贝叶斯网络结构在线学习算法及应用[A];科学发展与社会责任(A卷)——第五届沈阳科学学术年会文集[C];2008年
中国博士学位论文全文数据库 前6条
1 孙宇;针对含有概念漂移问题的增量学习算法研究[D];中国科学技术大学;2017年
2 李敬;增量学习及其在图像识别中的应用[D];上海交通大学;2008年
3 段华;支持向量机的增量学习算法研究[D];上海交通大学;2008年
4 赵强利;基于选择性集成的在线机器学习关键技术研究[D];国防科学技术大学;2010年
5 杨敏;复杂场景中的在线多目标跟踪方法研究[D];北京理工大学;2016年
6 竺涛;快速与增量式数据降维算法研究[D];南京大学;2017年
中国硕士学位论文全文数据库 前10条
1 林宣民;基于局部敏感哈希和支持向量机的半监督增量学习研究[D];浙江工业大学;2017年
2 刘向;支持向量机增量学习算法的研究与应用[D];长沙理工大学;2016年
3 郝运河;基于增量学习的复杂环境下道路识别算法研究[D];南京理工大学;2015年
4 李丹;基于马氏超椭球学习机的增量学习算法研究[D];渤海大学;2015年
5 赵翠翠;基于RBF神经网络的集成增量学习方法研究[D];河北工业大学;2015年
6 王会波;基于支持向量机的混合增量学习算法与应用[D];华中师范大学;2016年
7 张健;增量学习在电子鼻智能烘烤系统中的应用研究[D];重庆大学;2016年
8 曾舒如;基于多模态增量学习模型的目标物体检测方法研究[D];南昌大学;2016年
9 潘振春;基于实例的领域适应增量学习方法研究[D];南京理工大学;2017年
10 刘国欣;基于增量学习SVM分类算法的研究与应用[D];中北大学;2017年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026