原文服务方: 信息与控制       
摘要:
提出了一种基于两阶段学习的半监督支持向量机(semi-supervised SVM)分类算法.首先使用基于图的标签传递算法给未标识样本赋予初始伪标识,并利用k近邻图将可能的噪声样本点识别出来并剔除;然后将去噪处理后的样本集视为已标识样本集输入到支持向量机(SVM)中,使得SVM在训练时能兼顾整个样本集的信息,从而提高SVM的分类准确率.实验结果证明,同其它半监督学习算法相比较,本文算法在标识的训练样本较少的情况下,分类性能有所提高且具有较高的可靠性.
推荐文章
基于半监督支持向量机的期刊收稿系统自动分类方法
期刊收稿系统
自动分类
专家审稿
半监督支持向量机
工作效率
特征向量
一种基于聚类核的半监督支持向量机分类方法
聚类核
聚类假设
半监督支持向量机
分类
基于半监督支持向量机的并行远同源检测方法
半监督学习
支持向量机
并行计算
分类器
基于半监督支持向量机的图书馆微信公众号内容分类管理研究
图书馆
支持向量机
分类方法
微信
信息推送
特征选择
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于两阶段学习的半监督支持向量机分类算法
来源期刊 信息与控制 学科
关键词 SVM (support vector machine) 半监督 两阶段学习 伪标识
年,卷(期) 2012,(1) 所属期刊栏目 论文与报告
研究方向 页码范围 7-13
页数 分类号 TP391
字数 语种 中文
DOI 10.3724/SP.J.1219.2012.00007
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 陶新民 哈尔滨工程大学信息与通信工程学院 49 926 16.0 29.0
2 付丹丹 哈尔滨工程大学信息与通信工程学院 10 172 7.0 10.0
3 曹盼东 哈尔滨工程大学信息与通信工程学院 4 44 3.0 4.0
4 宋少宇 哈尔滨工程大学信息与通信工程学院 4 44 3.0 4.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (2)
节点文献
引证文献  (7)
同被引文献  (14)
二级引证文献  (52)
1995(1)
  • 参考文献(1)
  • 二级参考文献(0)
2010(1)
  • 参考文献(1)
  • 二级参考文献(0)
2012(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2013(1)
  • 引证文献(1)
  • 二级引证文献(0)
2014(7)
  • 引证文献(2)
  • 二级引证文献(5)
2015(11)
  • 引证文献(2)
  • 二级引证文献(9)
2016(13)
  • 引证文献(0)
  • 二级引证文献(13)
2017(8)
  • 引证文献(1)
  • 二级引证文献(7)
2018(7)
  • 引证文献(0)
  • 二级引证文献(7)
2019(8)
  • 引证文献(1)
  • 二级引证文献(7)
2020(4)
  • 引证文献(0)
  • 二级引证文献(4)
研究主题发展历程
节点文献
SVM (support vector machine)
半监督
两阶段学习
伪标识
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
信息与控制
双月刊
1002-0411
21-1138/TP
大16开
1972-01-01
chi
出版文献量(篇)
2891
总下载数(次)
0
总被引数(次)
41289
论文1v1指导