凹半监督支持向量机及其应用

doi:10.3778/j.issn.1002-8331.2010.28.037

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (28): 132-134.DOI: 10.3778/j.issn.1002-8331.2010.28.037

• 数据库、信号与信息处理 • 上一篇下一篇

凹半监督支持向量机及其应用

冼广铭^1，2，齐德昱¹，方群²，柯庆³，曾碧卿⁴，庞雄文⁵

1.华南理工大学，广州 510640
2.广州天河软件园管委会博士后科研工作站，广州 510663
3.蓝盾信息安全技术股份有限公司，广州 510631
4.华南师范大学南海学院，广东佛山 528225
5.华南师范大学计算机学院，广州 510640

收稿日期:2008-04-08 修回日期:2008-12-01 出版日期:2010-10-01 发布日期:2010-10-01
通讯作者: 冼广铭

Application of concave semi-supervised support vector machines

XIAN Guang-ming^1，2，QI De-yu¹，FANG Qun²，KE Qing³，ZENG Bi-qing⁴，PANG Xiong-wen⁵

1.South China University of Technology，Guangzhou 510640，China
2.Guangzhou Tianhe Software Park MC Post-doctoral Research Station，Guangzhou 510663，China
3.Bluedon Information Security Technology Co.，Ltd，Guangzhou 510631，China
4.Nanhai Campus，South China Normal University，Foshan，Guangdong 528225，China
5.College of Computer，South China Normal University，Guangzhou 510640，China

Received:2008-04-08 Revised:2008-12-01 Online:2010-10-01 Published:2010-10-01
Contact: XIAN Guang-ming

摘要/Abstract

摘要： 在训练集不足的情况下，SVM算法有待改进，以提高其评价的准确性。采用凹半监督支持向量机，利用少量标注样本和大量未标注样本进行机器学习，提高了模型预测的精度。

关键词: 凹半监督支持向量机, 机器学习, 未标注样本

Abstract: In case of lack of sufficient training set，SVM algorithm is expected to improve its accuracy.The concave semi-
supervised support vector machines is adopted and the little labeled sample and lots of labeled samples are utilized for machine learning.Accuracy of the model is improved by this method.

Key words: concave semi-supervised support vector machines, machine learning, unlabeled samples

中图分类号:

TP18

冼广铭^1，2，齐德昱¹，方群²，柯庆³，曾碧卿⁴，庞雄文⁵. 凹半监督支持向量机及其应用[J]. 计算机工程与应用, 2010, 46(28): 132-134.

XIAN Guang-ming^1，2，QI De-yu¹，FANG Qun²，KE Qing³，ZENG Bi-qing⁴，PANG Xiong-wen⁵. Application of concave semi-supervised support vector machines[J]. Computer Engineering and Applications, 2010, 46(28): 132-134.

[1]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[2]	韦佶宏，郑荣锋，刘嘉勇. 基于混合神经网络的恶意TLS流量识别研究[J]. 计算机工程与应用, 2021, 57(7): 107-114.
[3]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[4]	韩东方，吐尔地·托合提，艾斯卡尔·艾木都拉. 问答系统中问句分类方法研究综述[J]. 计算机工程与应用, 2021, 57(6): 10-21.
[5]	万梦翔，姚寒冰. 面向恶意网页训练数据生成的GAN模型[J]. 计算机工程与应用, 2021, 57(6): 124-130.
[6]	杨晔民，张慧军，张小龙. 随机森林的可解释性可视分析方法研究[J]. 计算机工程与应用, 2021, 57(6): 168-175.
[7]	徐可文，许波，吴英，徐浩然. 机器学习在超声图像中的应用综述[J]. 计算机工程与应用, 2021, 57(4): 11-17.
[8]	王振东，张林，李大海. 基于机器学习的物联网入侵检测系统综述[J]. 计算机工程与应用, 2021, 57(4): 18-27.
[9]	吕品，武秦娟，许嘉. 上市公司文本信息披露智能分析研究综述[J]. 计算机工程与应用, 2021, 57(24): 1-13.
[10]	张隅希，段宗涛，朱依水，王路阳，周祎，郭宇. 机动车油耗模型研究综述[J]. 计算机工程与应用, 2021, 57(24): 14-26.
[11]	安卫超，阎婷，张楠，张杉，相洁，曹锐，王彬. 病理图像纹理分析在胃癌MSI预测中的应用研究[J]. 计算机工程与应用, 2021, 57(24): 205-211.
[12]	王方，张雪英，胡风云，李凤莲. 集成分类器对脑卒中患者脑电的分类[J]. 计算机工程与应用, 2021, 57(24): 276-282.
[13]	高见，孙懿，王润正，袁得嵛. 基于机器学习的浏览器挖矿检测模型研究[J]. 计算机工程与应用, 2021, 57(22): 125-130.
[14]	黎英. 迁移学习在医学图像分析中的应用研究综述[J]. 计算机工程与应用, 2021, 57(20): 42-52.
[15]	任泽裕，王振超，柯尊旺，李哲，吾守尔·斯拉木. 多模态数据融合综述[J]. 计算机工程与应用, 2021, 57(18): 49-64.

凹半监督支持向量机及其应用

Application of concave semi-supervised support vector machines

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