改进的多源域多视角迁移算法研究

发布时间：2017-03-25 10:05

  本文关键词：改进的多源域多视角迁移算法研究，由笔耕文化传播整理发布。

【摘要】：迁移学习旨在利用源域和目标域的潜在相关性,充分利用源域数据的知识,完成对目标域的学习任务。半监督学习是机器学习领域中的一个重要分支,研究的是如何利用已有的少量标签数据结合大量无标签数据训练出更加可靠的学习器。半监督的迁移学习方法已成为迁移学习一个重要的研究领域。半监督的迁移学习主要研究如何在少量有标签数据的基础上,充分利用已知的知识,完成对学习器的训练,主要存在两种方法:⑴.结合多个相关数据源域,从多个源域当中获取迁移知识;⑵.通过多视角的方法,预测无标签数据的标签。针对这两个方式,本文在了解传统的机器学习方法的基础上,研究了多源域多视角的迁移算法,其中,重点研究了动态多源域多视角迁移算法。多源域多视角迁移算法(MSMV)在半监督学习算法当中有着优异的效果,其不仅充分利用了多个数据域并且从多个视角对无标签数据进行预测。本文针对多源域数据权重下降较快的问题引入了动态因子,结合多视角的学习方法,提出了动态多源域多视角学习算法(D-MSMV)。另外,对于学习器生成过程当中的一些细节做出了改进。在实验中,我们从UCI和Caltech 256中选取了部分数据进行实验对比。实验结果证明,本文算法有效性而且较其他算法有着更高的准确性。
【关键词】：半监督学习 迁移学习 动态多源域 多视角
【学位授予单位】：青岛大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18
【目录】：

• 摘要2-3
• Abstract3-6
• 第一章 绪论6-9
• 1.1 课题研究背景和意义6-7
• 1.2 国内外研究及现状7
• 1.3 论文的主要工作与章节安排7-9
• 第二章 分类算法概述9-18
• 2.1 分类的基础知识10-11
• 2.1.1 分类算法中的定义10
• 2.1.2 分类算法的结构10-11
• 2.2 分类算法11-17
• 2.2.1 基于概率统计的分类算法12-13
• 2.2.2 决策树分类算法13-14
• 2.2.3 基于神经网络分类算法14-15
• 2.2.4 基于集成分类算法15-16
• 2.2.5 数据分析算法16-17
• 2.3 本章小结17-18
• 第三章 迁移学习算法18-21
• 3.1 迁移学习算法介绍18-19
• 3.2 迁移算法的分类19
• 3.2.1 传统的学习算法19
• 3.2.2 归纳迁移学习算法19
• 3.2.3 直推式迁移学习算法19
• 3.2.4 无监督学习算法19
• 3.3 迁移学习面临的问题19-20
• 3.4 本章小结20-21
• 第四章 迁移学习中的多源域和多视角算法21-30
• 4.1 多源域理论21-22
• 4.2 多源域迁移算法22-25
• 4.3 多视角理论25-28
• 4.3.1 单视角学习25
• 4.3.2 多视角学习25-26
• 4.3.3 多视角学习算法及原则26-28
• 4.4 传统的多源域多视角算法28-29
• 4.5 本章小结29-30
• 第五章 改进的多源域多视角迁移算法30-40
• 5.1 本文算法30-35
• 5.1.1 动态多源域多视角算法31-33
• 5.1.2 动态多源域多视角迁移算法分析33-35
• 5.2 实验结果35-39
• 5.3 本章小结39-40
• 第六章 总结与展望40-42
• 参考文献42-46
• 攻读学位期间的研究成果46-47
• 致谢47-48

  本文关键词：改进的多源域多视角迁移算法研究，由笔耕文化传播整理发布。

，

本文编号：267015