基于多类分类的主动学习改进算法

摘要

对于监督学习模型，足够多的已标注样例是获得高精度分类器的前提条件。但现实中，未标注样例在总样例中占比较大，而人工标注样例成本昂贵，需要控制训练样例集的数量和质量。如何高效地选出具有高分类贡献度的无类标样例进行标注并补充到已有训练集中，以便逐步提高分类器精度与鲁棒性是主动学习亟待解决的关键问题。另外，大部分主动学习研究局限于封闭的样例集，如何将主动学习应用到开放的实际生产环境中且能达到较高的分类精度也非常值得研究。
　　针对BvSB样例选择算法存在的类间均衡性问题和孤立点问题，采用不确定性和代表性相结合的思想，提出了Center+reBvSB样例选择算法。首先利用K-Means聚类选择代表性训练集A，再采用reBvSB样例选择算法挑选代表性边缘均衡样例集合B，最后整合A和B并更新训练集。实验结果表明，该算法选出的样例可以帮助分类器提高分类精度和鲁棒性。
　　将Center+reBvSB样例选择算法集成到主动学习算法中，提出了改进BvSB的主动学习算法。利用在线识别产生的错分样例池结合原始样例池，对分类器进行重新训练，可以进一步提升分类器的识别能力。利用Mnist数据集模拟实际在线识别场景，实验结果表明，改进的主动学习算法具有较好的鲁棒性和较高的识别精度。

目录

声明

第1章 绪 论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 研究内容和目标

1.4 文章组织结构

第2章 相关知识

2.1 主动学习算法

2.2 聚类算法

2.3 分类算法

2.4 小结

第3章 基于改进BvSB的样例选择算法

3.1 BvSB样例选择算法

3.2 balance-BvSB样例选择算法

3.3 Center+reBvSB样例均衡选择算法

3.4 小结

第4章 基于改进BvSB的主动学习算法

4.1 算法整体框架

4.2 算法描述

4.3 仿真实验结果与分析

4.4 小结

第5章 总结与展望

5.1 工作总结

5.2 工作展望

参考文献

致谢

攻读学位期间取得的科研成果