用于在线数据分类的半监督最接近支持向量机

doi:10.3778/j.issn.1002-8331.2010.29.063

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (29): 219-220.DOI: 10.3778/j.issn.1002-8331.2010.29.063

用于在线数据分类的半监督最接近支持向量机

常志勇¹，刘叶青¹，谷明涛²

1.河南科技大学理学院，河南洛阳 471003
2.中国人民解放军96251部队

收稿日期:2009-03-11 修回日期:2009-05-07 出版日期:2010-10-11 发布日期:2010-10-11
通讯作者: 常志勇

Semi-supervised proximal support vector machine for on-line data classification

CHANG Zhi-yong¹，LIU Ye-qing¹，GU Ming-tao²

1.School of Science，Henan University of Science & Technology，Luoyang，Henan 471003，China
2.Unit 96251 of PLA

Received:2009-03-11 Revised:2009-05-07 Online:2010-10-11 Published:2010-10-11
Contact: CHANG Zhi-yong

摘要/Abstract

摘要： 为了解决当已分类完未标号样本，又有新的未标号样本的半监督学习问题，提出了能用于在线数据分类的半监督最接近支持向量机。在人工数据和UCI数据集上的实验显示，不因标号数据的增多而提高分类性能，未标号数据基本上不降低其分类性能，因此算法可在线使用。

关键词: 支持向量机, 半监督学习, 最接近支持向量机, 分类, 在线学习

Abstract: To solve the problem of semi-supervised learning such that after the unlabeled data is labeled，new unlabeled data arrives，semi-supervised proximal support vector machine for on-line data classification is introduced.Experimental results on artificial and real data support that the performance of the proposed algorithm isn’t improved as the number of labeled data increases and unlabeled data also doesn’t decrease the performance.Thus the proposed algorithm can be used on-line.

Key words: Support Vector Machine（SVM）, semi-supervised learning, proximal support vector machine, classification, on-line learning

中图分类号:

TP18

常志勇¹，刘叶青¹，谷明涛². 用于在线数据分类的半监督最接近支持向量机[J]. 计算机工程与应用, 2010, 46(29): 219-220.

CHANG Zhi-yong¹，LIU Ye-qing¹，GU Ming-tao². Semi-supervised proximal support vector machine for on-line data classification[J]. Computer Engineering and Applications, 2010, 46(29): 219-220.

[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]	杨春霞，李欣栩，吴佳君，刘天宇. 基于注意力交互机制的层次网络情感分类[J]. 计算机工程与应用, 2021, 57(9): 134-139.
[3]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[4]	张韩钰，吴志昊，徐勇，陈斌. 增强卷积神经网络的人脸篡改检测方法[J]. 计算机工程与应用, 2021, 57(8): 220-224.
[5]	李俊丽. Spark平台下类别数据互信息计算的并行化[J]. 计算机工程与应用, 2021, 57(7): 95-100.
[6]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[7]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[8]	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.
[9]	黄金杰，蔺江全，何勇军，何瑾洁，王雅君. 局部语义与上下文关系的中文短文本分类算法[J]. 计算机工程与应用, 2021, 57(6): 94-100.
[10]	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.
[11]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[12]	李硕，梁毅. 面向Spark的批处理应用执行时间预测模型[J]. 计算机工程与应用, 2021, 57(5): 79-87.
[13]	王凤琴，柯亨进. 卷积神经网络及其分析在抑郁症判别中的应用[J]. 计算机工程与应用, 2021, 57(5): 245-250.
[14]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[15]	陶体伟，刘明霞，王明亮，王琳琳，杨德运，张强. 基于有效距离的低秩表示[J]. 计算机工程与应用, 2021, 57(4): 141-147.

用于在线数据分类的半监督最接近支持向量机

Semi-supervised proximal support vector machine for on-line data classification

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