基于半监督技术的多分类器融合策略研究

doi:10.3778/j.issn.1002-8331.2009.25.067

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (25): 218-221.DOI: 10.3778/j.issn.1002-8331.2009.25.067

基于半监督技术的多分类器融合策略研究

蔡晰^1,2，郭躬德^1,2，黄添强^1,2

1.福建师范大学数学与计算机科学学院，福州 350007
2.福建师范大学网络安全与密码技术重点实验室，福州 350007

收稿日期:2008-05-15 修回日期:2008-07-28 出版日期:2009-09-01 发布日期:2009-09-01
通讯作者: 蔡晰

Multiple classifiers fusion method based on semi-supervised learning

CAI Xi^1,2，GUO Gong-de^1,2，HUANG Tian-qiang^1,2

1.School of Mathematics and Computer Science，Fujian Normal University，Fuzhou 350007，China
2.Key Lab of Network Security and Cryptography，Fujian Normal University，Fuzhou 350007，China

Received:2008-05-15 Revised:2008-07-28 Online:2009-09-01 Published:2009-09-01
Contact: CAI Xi

摘要/Abstract

摘要： 提出一种新颖的多分类器构造方法，它以最大纠错能力作为分类器选择标准。实现时，采用半监督协同训练技术，充分利用单分类器的互补性，同时最大化仲裁器的仲裁能力，以提高多分类器系统的分类精度。在毒性数据集上的实验结果表明了方法的可行性和有效性。

关键词: 多分类器, 协同训练, 仲裁器, 半监督学习

Abstract: This paper proposes a novel strategy for multi-classifier classification.The method takes maximal error correcting ability as a criterion of choosing classifiers.To improve the accuracy of multi-classifier classification，a semi-supervised co-training technology is employed which makes use of the complementarity of each single classifier and maximizes the judging ability of the arbiter as well.The experimental results show the mothod is practical and effective on real toxicity dataset.

Key words: multi-classifier classification, co-training, arbiter, semi-supervised learning

中图分类号:

TP18

蔡晰^1,2，郭躬德^1,2，黄添强^1,2. 基于半监督技术的多分类器融合策略研究[J]. 计算机工程与应用, 2009, 45(25): 218-221.

CAI Xi^1,2，GUO Gong-de^1,2，HUANG Tian-qiang^1,2. Multiple classifiers fusion method based on semi-supervised learning[J]. Computer Engineering and Applications, 2009, 45(25): 218-221.

[1]	王永贵，李倩玉. 基于KNN-GBDT的混合协同过滤推荐算法[J]. 计算机工程与应用, 2021, 57(9): 103-108.
[2]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[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]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	陈玉琦1，雷刚1，姚明海2，易玉根1. 基于局部约束的自适应图标签传递方法[J]. 计算机工程与应用, 2018, 54(20): 14-19.

基于半监督技术的多分类器融合策略研究

Multiple classifiers fusion 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