基于圖模型的半監(jiān)督SVM分類算法研究與應用.pdf

1、支持向量機算法是在結構風險最小化基礎上發(fā)展起來的，它避免了以往神經網絡學習過程中出現的過擬合、易陷入局部極值和維數災難等諸多問題，目前在許多領域得到了很好的運用。經典的支持向量機算法是分類算法中發(fā)展較早的一個，但是它對標識樣本的數量有較強的依賴性，然而在實際工作中，由于標識樣本的代價較大，因此只有少數樣本是被標識的，大多數是未標識的。
　　 現如今，一種新穎的半監(jiān)督學習算法，因其能夠將已標識和未標識樣本提供的聚類信息有機結合起來

2、，與已往的監(jiān)督分類算法相比，對標識樣本的數量要求不高，而且在實際運用中獲得了更好的效果，因為這個優(yōu)勢，這種半監(jiān)督學習方法吸引了越來越多研究者的眼球。當前對半監(jiān)督支持向量機算法的改進主要集中在利用一些約束函數將未標識樣本的信息加入到優(yōu)化過程中，但這種模擬在不同程度上都存在對噪聲過于敏感和本身算法的優(yōu)化難題。從處理這些問題的角度出發(fā)，本文提出一種基于兩階段學習的半監(jiān)督支持向量機分類算法，利用圖模型給未標識樣本賦予偽標識，接著為了削弱噪聲樣本

3、的影響，采用k近鄰圖去除噪聲樣本，然后將標識樣本和偽標識樣本作為整個訓練樣本集，運用SVM算法進行訓練學習，使得SVM算法在訓練時能充分利用未標識樣本帶來的結構信息，提高分類器的分類精度。同時本文從構建圖模型的角度出發(fā)，還提出了一種基于高斯混合模型核的半監(jiān)督支持向量機分類算法。通過構造高斯混合模型核向SVM分類器提供未標識樣本信息，使得SVM算法在學習標識樣本信息的同時，兼顧著整個訓練樣本集合的聚類假設。結果證明本文提出的兩種算法在擁有

4、較少標標識樣本訓練的情況下分類性能也有所提高且具有較高的可靠性。
　　 本課題首先在理論上對本文提出的兩階段學習模型和高斯混合模型的可行性進行論證，然后利用人工合成樣本集和UCI樣本集分別對兩種算法的分類性能進行測試，并與已有的半監(jiān)督支持向量機算法進行實驗比較，驗證了本文所提模型的優(yōu)勢。本課題還利用兩階段學習模型算法對軸承故障樣本集進行檢測性能測試，實驗結果表明該模型的檢測性能較其他幾種算法好，并測試算法中重要參數對算法性能的影