导读:本文包含了监督学习论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:编码器,模型,矩阵,视图,分解,算法,函数。
监督学习论文文献综述
赵从健,雷菊阳,李明明[1]（2019）在《基于无监督学习的语音签到系统》一文中研究指出针对语音签到系统在实际运用中识别率较低的问题,从提高对标签缺失数据的利用角度出发,提出一种利用无监督学习来提高识别率的方法。该方法基于深度置信网络隐马尔可夫混合模型(DBN-HMM),利用受限波尔茨曼机(RBM)为无监督学习提取特征参数,接着利用深度置信网络(DBN)得到对原始数据的观测概率。隐马尔可夫(HMM)据此通过前向算法求出数据的似然概率,并将概率值最大的类别作为识别结果。实验表明,使用DBN-HMM模型可以有效利用存在标签缺失的数据,提高语音签到系统的识别能力。(本文来源于《软件》期刊2019年12期）
毛臣,谢铠宇,高镭[2]（2019）在《一种基于半监督学习的物联网入侵检测系统》一文中研究指出针对目前大多数物联网入侵检测系统误报率高、响应不及时、无法自主调查攻击行为的不足,提出了用半监督学习作为入侵检测的检测方法。同时,在Fuzzy C-means(FCM)算法的基础上提出了Random Fuzzy C-means (RFCM)算法的框架与实现。首先通过随机森林得到初始化的模型;然后,通过指定两个置信度参数,每轮得到分类结果置信度高的无标记样本;再将这些样本加入到原始有标记的样本集合里进行模型的二次训练,通过多轮迭代得到最终模型。实验表明,在NSL-KDD的入侵检测数据集里,模型具备良好的泛化性能。(本文来源于《信息技术与网络安全》期刊2019年12期）
张帆,李林[3]（2019）在《基于非负矩阵分解与调和函数的半监督学习方法》一文中研究指出数据分类是统计学的重要组成部分,为统计与决策提供高质量的数据支撑。半监督学习作为重要的数据分类方法,近年来被广泛研究,文章提出了一种基于非负矩阵分解与调和函数的半监督学习方法(NMF-HF)。首先,对原始数据矩阵进行非负矩阵分解(NMF)从而得到特征矩阵,利用调和函数(HF)的性质对原始数据进行数据分类,最后将该方法(NMF-HF)与经典分类方法进行分类准确率对比,得到的实验结果证明了NMF-HF的高效性。(本文来源于《统计与决策》期刊2019年22期）
Martin,Heller,Charles[4]（2019）在《机器学习之半监督学习释义》一文中研究指出使用机器学习模型自己对未标记数据的预测结果,将其添加到标记数据集中,有时能提高准确性,但并不总是如此。在2017年写给亚马逊股东的信中,Jeff Bezos提到了亚马逊语音智能助理Alexa的一些有趣之处:在美国、英国和德国,通过改进Al(本文来源于《计算机世界》期刊2019-11-25）
谭琨,王雪,杜培军[5]（2019）在《结合深度学习和半监督学习的遥感影像分类进展》一文中研究指出本文以结合深度学习的遥感影像特征提取和不充足样本下地物识别与分类作为出发点,对2017—2019年用于遥感图像处理中小样本训练的深度学习方法进行归类总结,介绍如何结合深度学习技术解决遥感影像在样本不充分情况下的有效训练问题,从深度生成模型、迁移学习以及一些高效特征提取网络3个方面进行全面剖析。首先,探讨了以GAN(generative adversarial network)和VAE(variational autoencoder)及其衍生结构在遥感技术中分类、变化检测上的应用;然后,在基于知识复用的辅助训练策略——迁移学习中主要从基于网络的迁移和基于数据结构的迁移两大类应用展开讨论;最后探讨了结合半监督学习和主动学习等思想的深度学习算法以及一些新颖的网络结构的应用。虽然深度学习在遥感技术领域发挥了极大的优势,性能也普遍超过了浅层的学习器,但结合物理模型的分析和高性能的实用性遥感应用仍需进一步发展与研究。(本文来源于《中国图象图形学报》期刊2019年11期）
孙一飞,武继刚,张欣鹏[6]（2019）在《面向眼底图像小目标检测的无监督学习方法》一文中研究指出小目标检测是图像处理领域的一个难点,尤其是医学图像中的小目标检测。微动脉瘤MA作为眼底图像中的一类小目标,尺寸小、局部对比度较低,并且存在较多的噪声干扰,检测难度较大。传统的检测方法需要手工提取特征,难以准确检测MA。而基于深度学习的检测需要进行复杂的前期准备工作,工作量大,并且难以解决正负样本数量不平衡的问题,容易产生过拟合。稀疏编码器SAE是一种无监督机器学习算法,可以在样本数量不平衡的环境中有效地提取样本的特征。因此,提出了一种基于SAE的无监督学习方法检测MA,采用反向传播更新SAE的权重和偏置以提取样本的特征,并利用提取的特征训练Softmax,最终实现MA的准确检测。为验证方法性能,选取了Retinopathy Online Challenge、DIARETDB1和E-ophtha-MA 3个数据库分别进行实验。实验结果表明,本文方法能够准确地检测出眼底图像中的MA,并且获得了较高的准确率和灵敏度。准确率分别为98.5%,87.2%和92.6%,灵敏度分别为99.9%,99.8%和98.7%。(本文来源于《计算机工程与科学》期刊2019年11期）
王格格,郭涛,余游,苏菡[7]（2019）在《基于半监督学习的多层感知器生成对抗网络》一文中研究指出半监督学习通过充分利用大量无标记数据和少量有标记数据来改善学习性能,近年来已成为机器学习领域的研究热点.半监督生成对抗网络(SGAN)将生成对抗网络扩展到半监督学习,通过在原始无标记输入数据的基础上加入少量有标记数据,并将判别器转换成分类器输出分类结果,以此来解决传统分类问题中因有标记训练数据太少引起的过拟合问题.但SGAN判别器上的线性卷积层提取图像深层次特征的能力较弱,使其在半监督环境下对图像进行分类的准确率不高,且生成的图像质量较差.为此,提出半监督多层感知器生成对抗网络(SMPGAN).该网络采用多层感知器卷积层代替SGAN判别器上的线性卷积层来提高抽象层次,并在生成器上使用特征匹配进一步提高图像的分类精度.在不同数量的有标记样本辅助下,SMPGAN的分类精度和图像生成效果均有明显提升.(本文来源于《小型微型计算机系统》期刊2019年11期）
Martin,Heller,Charles[8]（2019）在《机器学习之无监督学习释义》一文中研究指出目前,无监督学习主要用于发现数据中的模式,检测数据中的异常值,而未来可能会产生通用人工智能。尽管受监督机器学习和深度学习取得了成功,但有一种学派认为,无监督学习的潜力更大。受监督学习系统的学习受到其所受训练的限制:即受监督学习系统只能学习它所训练(本文来源于《计算机世界》期刊2019-11-11）
杨绪兵,葛彦齐,张福全,范习健,姚宏亮[9]（2019）在《基于矩阵模式的林火图像半监督学习算法》一文中研究指出森林火灾图像识别是森林防火监测系统的核心。目前的主要研究多在图像的向量模式表示上展开。由于向量模式的样本数由图像分辨率决定,易导致模型训练的负担过重。样本类别标记的准确性,直接影响后续的模型训练和目标识别。而目前的类别标定工作多采用手工或图像预处理方法完成,任务繁琐且容易出错。此外,由于像素位置在图像向量化过程中被调整,不可避免地会损失图像原有的结构信息。鉴于此,提出了基于矩阵分块的半监督学习算法Semi-MHKS,优势在于:①矩阵分块形式的样本数远低于向量模式,可有效缩短训练和识别时间;②只需标记分块类别,更有利于准确标定样本类别;③采用双线性判别函数,设计了针对林火问题的半监督学习算法;④证明了算法的收敛性。与支持向量机(SVM)、MHKS和半监督的LapMatLSSVM方法相比,在林火图像和视频上的实验验证了Semi-MHKS的具有较高的识别率和较低的训练时间。(本文来源于《图学学报》期刊2019年05期）
李世宝,王升志,刘建航,黄庭培,张鑫[10]（2019）在《基于接收信号强度非齐性分布特征的半监督学习室内定位指纹库构建》一文中研究指出室内定位中半监督学习的指纹库构建方法能够降低人力开销,但忽略了高维接收信号强度(RSS)数据不均匀的非齐分布特点,影响定位精度,针对此问题该文提出一种基于RSS非齐性分布特征的半监督流形对齐指纹库构建方法。该算法运用局部RSS尺度参数以及共享近邻相似性构造权重矩阵,得到精确反映RSS数据流形结构的权重图,利用该权重图通过求解流形对齐的目标函数最优解,实现运用少量标记数据对大量未标记数据的位置标定。实验结果表明,该算法可以显着降低离线阶段数据采集的工作量,同时可以取得较高的定位精度。(本文来源于《电子与信息学报》期刊2019年10期）
监督学习论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对目前大多数物联网入侵检测系统误报率高、响应不及时、无法自主调查攻击行为的不足,提出了用半监督学习作为入侵检测的检测方法。同时,在Fuzzy C-means(FCM)算法的基础上提出了Random Fuzzy C-means (RFCM)算法的框架与实现。首先通过随机森林得到初始化的模型;然后,通过指定两个置信度参数,每轮得到分类结果置信度高的无标记样本;再将这些样本加入到原始有标记的样本集合里进行模型的二次训练,通过多轮迭代得到最终模型。实验表明,在NSL-KDD的入侵检测数据集里,模型具备良好的泛化性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
监督学习论文参考文献
[1].赵从健,雷菊阳,李明明.基于无监督学习的语音签到系统[J].软件.2019
[2].毛臣,谢铠宇,高镭.一种基于半监督学习的物联网入侵检测系统[J].信息技术与网络安全.2019
[3].张帆,李林.基于非负矩阵分解与调和函数的半监督学习方法[J].统计与决策.2019
[4].Martin,Heller,Charles.机器学习之半监督学习释义[N].计算机世界.2019
[5].谭琨,王雪,杜培军.结合深度学习和半监督学习的遥感影像分类进展[J].中国图象图形学报.2019
[6].孙一飞,武继刚,张欣鹏.面向眼底图像小目标检测的无监督学习方法[J].计算机工程与科学.2019
[7].王格格,郭涛,余游,苏菡.基于半监督学习的多层感知器生成对抗网络[J].小型微型计算机系统.2019
[8].Martin,Heller,Charles.机器学习之无监督学习释义[N].计算机世界.2019
[9].杨绪兵,葛彦齐,张福全,范习健,姚宏亮.基于矩阵模式的林火图像半监督学习算法[J].图学学报.2019
[10].李世宝,王升志,刘建航,黄庭培,张鑫.基于接收信号强度非齐性分布特征的半监督学习室内定位指纹库构建[J].电子与信息学报.2019
论文知识图
