论文摘要
半监督学习结合少量有标签样本和大量无标签样本,可以有效提高算法的泛化性能。传统的半监督支持向量机（SVM）算法在目标函数中引入无标签样本的依赖项来推动决策面通过低密度区域,但往往会带来高计算复杂度和局部最优解等问题。同时,半监督K-means算法面临着如何有效利用监督信息进行质心的初始化及更新等问题。针对上述问题,提出了一种结合SVM和半监督K-means的新型学习算法（SKAS）。首先,提出一种改进的半监督K-means算法,从距离度量和质心迭代两个方面进行了改进;然后,设计了一种融合算法将半监督K-means算法与SVM相结合以进一步提升算法性能。在6个UCI数据集上的实验结果表明,所提算法在其中5个数据集上的运行结果都优于当前先进的半监督SVM算法和半监督K-means算法,且拥有最高的平均准确率。
论文目录
文章来源
类型: 期刊论文
作者: 杜阳,姜震,冯路捷
关键词: 支持向量机,半监督聚类,分类,融合
来源: 计算机应用 2019年12期
年度: 2019
分类: 信息科技
专业: 自动化技术
单位: 江苏大学计算机科学与通信工程学院
基金: 国家自然科学基金资助项目(61672268),江苏大学高级人才科研启动基金资助项目(14JDG036)~~
分类号: TP181
页码: 3462-3466
总页数: 5
文件大小: 641K
下载量: 332