王晓初
所属机构: 江南大学数字媒体学院 所在地区: 江苏省 无锡市 研究方向: 自动化与计算机技术 发文基金: 国家自然科学基金
相关作者
王士同 作品数:655 被引量:2,725 H指数:21 供职机构:江南大学数字媒体学院 研究主题:支持向量机 模糊系统 模糊聚类 聚类 神经网络 包芳 作品数:32 被引量:70 H指数:5 供职机构:江阴职业技术学院 研究主题:神经网络 项目课程 缝纫平整度 最小最大概率机 课程建设 蒋亦樟 作品数:55 被引量:289 H指数:10 供职机构:江南大学数字媒体学院 研究主题:模糊系统 模糊聚类 迁移 TAKAGI-SUGENO 数字媒体技术 许小龙 作品数:5 被引量:8 H指数:2 供职机构:江南大学数字媒体学院 研究主题:谱聚类 正则化 K-MEANS算法 改进聚类算法 FCM
基于数据分布一致性最小最大概率机 被引量:2 2016年 针对既包含有标记样本又包含未标记样本的分类数据,提出数据分布一致性原理,并将其融入到最小最大概率机中。把有标记样本和无标记样本映射到决策超平面所在空间(简称超空间),通过最小化有标记样本和无标记样本在超空间的概率分布差异,充分利用无标签样本来修正最小最大概率机的误差,使得修正后的决策超平面更接近于真正的分类超平面。实验证明,数据分布一致性最小最大概率机(DCMPM)比最小最大概率机(MPM)具有更好的分类性能。 王晓初 王士同 包芳关键词:最小最大概率机 基于最小最大概率机的迁移学习分类算法 被引量:2 2016年 传统的迁移学习分类算法利用源域中大量有标签的数据和目标域中少量有标签的数据解决相关但不相同目标域的数据分类问题,但对于已知源域的不同类别数据均值的迁移学习分类问题并不适用。为了解决这个问题,利用源域的数据均值和目标域的少量标记数据构造迁移学习约束项,对最小最大概率机进行正则化约束,提出了基于最小最大概率机的迁移学习分类算法,简称TL-MPM。在20 News Groups数据集上的实验结果表明,目标域数据较少时,所提算法具有更高的分类正确率,从而说明了算法的有效性。 王晓初 包芳 王士同 许小龙关键词:最小最大概率机 源域 目标域 正则化 最小化类内距离和分类算法 被引量:12 2016年 支持向量机分类算法引入惩罚因子来调节过拟合和线性不可分时无解的问题,优点是可以通过调节参数取得最优解,但带来的问题是允许一部分样本错分。错分的样本在分类间隔之间失去了约束,导致两类交界处样本杂乱分布,并且增加了训练的负担。为了解决上述问题,该文根据大间隔分类思想,基于类内紧密类间松散的原则,提出一种新的分类算法,称之为最小化类内距离和(Intraclass-Distance-Sum-Minimization,IDSM)分类算法。该算法根据最小化类内距离和准则构造训练模型,通过解析法求解得到最佳的映射法则,进而利用该最佳映射法则对样本进行投影变换以达到类内间隔小类间间隔大的效果。相应地,为解决高维样本分类问题,进一步提出了该文算法的核化版本。在大量UCI数据集和Yale大学人脸数据库上的实验结果表明了该文算法的优越性。 王晓初 王士同 包芳 蒋亦樟关键词:支持向量机 惩罚因子 基于概率密度分布一致约束的最小最大概率机图像分类算法 2015年 为了解决含有大量未标记样本的图像分类问题,提出了基于概率密度分布一致约束的最小最大概率机图像分类算法(image classification algorithm based on minimax probability machine regularized by probability density concensus,PDM PM)。用概率密度估计函数对标记图像样本和未标记图像样本在超平面所在空间的分布进行估计,最小化标记图像样本和未标记图像样本在超平面所在空间的分布差异,得到概率密度估计约束项。把概率密度估计约束项融入到非线性最小最大概率机并用于图像分类。在耶鲁大学人脸数据库、加利福尼亚理工学院101类图像数据库的5类和15场景数据库中的10类分类准确率的试验中,该算法较非线性最小最大概率机大约平均提高了3.99%,从而表明该方法充分利用了未标记图像样本包含的分布信息来约束标记图像样本的分布,使得图像分类超平面更加准确。 王晓初 王士同 包芳关键词:图像分类 概率密度估计 分类超平面 最小最大概率机