基于半监督学习的克里金插值方法

doi:10.3778/j.issn.1002-8331.1708-0031

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (22): 265-270.DOI: 10.3778/j.issn.1002-8331.1708-0031

• 工程与应用 • 上一篇

基于半监督学习的克里金插值方法

卢月明1，王亮1，仇阿根1，张用川1，2，赵阳阳1

1.中国测绘科学研究院，北京 100830
2.武汉大学资源与环境科学学院，武汉 430079

出版日期:2018-11-15 发布日期:2018-11-13

Kriging interpolation method based on semi-supervised learning

LU Yueming1, WANG Liang1, QIU Agen1, ZHANG Yongchuan1，2, ZHAO Yangyang1

1.Chinese Academy of Surveying and Mapping, Beijing 100830, China
2.School of Resource and Environmental Science, Wuhan University, Wuhan 430079, China

Online:2018-11-15 Published:2018-11-13

摘要/Abstract

摘要： 针对数据量较小时，克里金插值精度低的问题，将克里金插值模型与半监督学习理论相结合，利用未标记样本参与训练改进模型性能，提出基于半监督学习的克里金插值模型，即自训练克里金插值模型（STK）和协同训练克里金插值模型（CTK）。以北京地区2017年4月和5月的PM2.5浓度数据作为实验数据，采用克里金插值模型、STK和CTK进行对比实验。实验结果表明，这两个模型既具有半监督学习的优点，适用于只有少量标记样本的情况，又可以分析空间现象的分布模式。其中CTK采用两个模型协同训练，有效削弱了早期误差对后期训练的影响，利用未标记样本提升了模型的性能。

关键词: 克里金插值, 半监督学习, 协同训练, PM2.5

Abstract: The accuracy of Kriging interpolation is low with small amount of data. Semi-supervised learning which utilizes unlabeled samples in training is combined with Kriging interpolation model to improve the model’s performance. Self-Training Kriging interpolation model（STK） and Co-Training Kriging interpolation model（CTK） are proposed in this paper. The PM2.5 concentration data of April and May of 2017 in Beijing are used to verify the Kriging interpolation model, STK and CTK. The experimental results show that STK and CTK models have the advantage of semi-supervised learning which is adaptive to the situation where few labeled samples are available, as well as the capability of analyzing the distribution pattern of spatial phenomena. CTK adopts two models to carry out collaborative training to effectively diminish early errors on post-training and employs unlabeled samples to improve the model’s performance.

Key words: Kriging interpolation, semi-supervised learning, co-training, PM2.5

卢月明1，王亮1，仇阿根1，张用川1，2，赵阳阳1. 基于半监督学习的克里金插值方法[J]. 计算机工程与应用, 2018, 54(22): 265-270.

LU Yueming1, WANG Liang1, QIU Agen1, ZHANG Yongchuan1，2, ZHAO Yangyang1. Kriging interpolation method based on semi-supervised learning[J]. Computer Engineering and Applications, 2018, 54(22): 265-270.

[1]	邹承明，胡佑璞. 引入生成对抗网络的室外场景单目深度估计[J]. 计算机工程与应用, 2021, 57(6): 176-183.
[2]	米源，唐恒亮. 基于图卷积网络的谣言鉴别研究[J]. 计算机工程与应用, 2021, 57(13): 161-167.
[3]	唐焕玲，刘艳红，郑涵，窦全胜，鲁明羽. 融合SLDA主题模型的不均衡文本分类方法[J]. 计算机工程与应用, 2021, 57(12): 144-154.
[4]	宋丽丽，李彬，赵俊雅，刘国峰. 正态重采样的改进行人再识别度量学习算法[J]. 计算机工程与应用, 2020, 56(8): 158-165.
[5]	韩嵩，韩秋弘. 半监督学习研究的述评[J]. 计算机工程与应用, 2020, 56(6): 19-27.
[6]	夏吉品，邹滨，杨忠霖，李沈鑫. 室外空气污染暴露规避健康路径规划服务[J]. 计算机工程与应用, 2020, 56(3): 266-271.
[7]	朱丹，陈晓红，吴卿源，李舜酩. 自适应图学习诱导的子空间聚类[J]. 计算机工程与应用, 2020, 56(21): 30-37.
[8]	邓益侬，罗健欣，张琦，刘祯，胡琪，金凤林，毕鹏程. 改进YOLOv3网络在图像中评价空气质量[J]. 计算机工程与应用, 2020, 56(20): 232-242.
[9]	王得雪，林意，陈俊杰. 协同训练算法在滚动轴承故障诊断中的应用[J]. 计算机工程与应用, 2020, 56(12): 273-278.
[10]	杨烁，刘兵，周勇. 基于稀疏编码的半监督低秩核学习算法[J]. 计算机工程与应用, 2019, 55(7): 175-181.
[11]	龚彦鹭，吕佳. 结合半监督聚类和加权KNN的协同训练方法[J]. 计算机工程与应用, 2019, 55(22): 114-118.
[12]	任才溶1，谢刚1，2. 基于随机森林和气象参数的PM2.5浓度等级预测[J]. 计算机工程与应用, 2019, 55(2): 213-220.
[13]	张璞1，柴变芳1，张静1，李文斌2. 半监督属性网络表示学习方法[J]. 计算机工程与应用, 2019, 55(12): 117-123.
[14]	王玉业，陈健美. 安全的半监督方法的协同过滤推荐算法[J]. 计算机工程与应用, 2018, 54(8): 107-111.
[15]	吴明胜，邓晓刚. 基于Tri-DE-ELM的半监督模式分类方法研究[J]. 计算机工程与应用, 2018, 54(3): 109-114.

基于半监督学习的克里金插值方法

Kriging interpolation method based on semi-supervised learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics