期刊导航
期刊开放获取
重庆大学
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于层次K-均值聚类的支持向量机模型
被引量：
1
1
作者
王秀华
秦振吉
《计算机应用与软件》
CSCD
北大核心
2014年第5期172-176,共5页
针对支持向量机SVM分类效率低下的问题,提出一种基于层次K-均值聚类的支持向量机HKSVM(Hierarchical K-means SVM)学习模型。该方法首先对每类样本分别进行K-均值聚类,计算每类中心并训练SVM,得到初始分类器;然后根据超平面与聚类结果...
针对支持向量机SVM分类效率低下的问题,提出一种基于层次K-均值聚类的支持向量机HKSVM(Hierarchical K-means SVM)学习模型。该方法首先对每类样本分别进行K-均值聚类,计算每类中心并训练SVM,得到初始分类器;然后根据超平面与聚类结果的关系,将聚类所得结果划分为活动类集和静止类集,并对超平面附近的活动类集进行深层聚类,以得到更小的类别同时计算类中心来训练新的SVM模型,并校正分类超平面,如此循环往复,直到得到较为精确的分类器为止。采用基于层次K-均值聚类的SVM模型,通过对活动类集进行不断地深层次聚类,从而在分类超平面附近得到较多样本点,而在距离超平面较远处则取少量训练样本,以有效压缩训练集规模,在保持SVM训练精度的同时大幅度提高其学习效率。标准数据集上的实验结果表明,HKSVM方法在大规模数据集上同时得到了较高的分类效率和测试精度。
展开更多
关键词
层次k-均值聚类
支持向量机
HKSVM模型
活动
类
集
静止
类
集
下载PDF
职称材料
层次K-均值聚类结合改进ITML的迁移度量学习方法
被引量：
1
2
作者
蒋林利
吴建生
《计算机应用研究》
CSCD
北大核心
2017年第12期3552-3555,3572,共5页
目前的迁移学习方法多针对单一迁移类型,使用低级特征空间,并且源集比目标集复杂耗力。针对这些问题,综合考虑特征表示迁移、参数迁移和实例迁移,提出迁移度量学习的通用框架。首先,基于属性相似性空间和类别相似性空间,利用层次K-均值...
目前的迁移学习方法多针对单一迁移类型,使用低级特征空间,并且源集比目标集复杂耗力。针对这些问题,综合考虑特征表示迁移、参数迁移和实例迁移,提出迁移度量学习的通用框架。首先,基于属性相似性空间和类别相似性空间,利用层次K-均值聚类获取相似性;然后,利用信任评估框架和去相关归一化转换方法消除源集中的相关关系来抑制负迁移作用;最后,改进信息理论度量学习方法(ITML)进行相似性度量学习。对三种不同复杂度数据集进行实验,结果表明,提出方法的迁移学习性能较传统方法明显提高,且对负迁移影响具有更好的鲁棒性;提出的方法可应用于源集比目标集简单的情况,评估结果表明,即使源集知识有限,也可以得到较好的迁移学习效果。
展开更多
关键词
迁移度量学习
层次k-均值聚类
相似性空间
信任评估框架
去相关归一化空间
信息理论度量学习
下载PDF
职称材料
题名
基于层次K-均值聚类的支持向量机模型
被引量：
1
1
作者
王秀华
秦振吉
机构
晋中学院计算机学院
出处
《计算机应用与软件》
CSCD
北大核心
2014年第5期172-176,共5页
文摘
针对支持向量机SVM分类效率低下的问题,提出一种基于层次K-均值聚类的支持向量机HKSVM(Hierarchical K-means SVM)学习模型。该方法首先对每类样本分别进行K-均值聚类,计算每类中心并训练SVM,得到初始分类器;然后根据超平面与聚类结果的关系,将聚类所得结果划分为活动类集和静止类集,并对超平面附近的活动类集进行深层聚类,以得到更小的类别同时计算类中心来训练新的SVM模型,并校正分类超平面,如此循环往复,直到得到较为精确的分类器为止。采用基于层次K-均值聚类的SVM模型,通过对活动类集进行不断地深层次聚类,从而在分类超平面附近得到较多样本点,而在距离超平面较远处则取少量训练样本,以有效压缩训练集规模,在保持SVM训练精度的同时大幅度提高其学习效率。标准数据集上的实验结果表明,HKSVM方法在大规模数据集上同时得到了较高的分类效率和测试精度。
关键词
层次k-均值聚类
支持向量机
HKSVM模型
活动
类
集
静止
类
集
Keywords
Hierarchical
k-
means clustering Support vector machine（SVM） HKSVM model Active class set Static class set
分类号
TP18 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
层次K-均值聚类结合改进ITML的迁移度量学习方法
被引量：
1
2
作者
蒋林利
吴建生
机构
广西科技师范学院数学与计算机科学学院
武汉大学软件工程国家重点实验室
武汉理工大学信息工程学院
出处
《计算机应用研究》
CSCD
北大核心
2017年第12期3552-3555,3572,共5页
基金
国家自然科学基金资助项目(61202143)
广西自然科学基金资助项目(2014GXNSFAA118027)
文摘
目前的迁移学习方法多针对单一迁移类型,使用低级特征空间,并且源集比目标集复杂耗力。针对这些问题,综合考虑特征表示迁移、参数迁移和实例迁移,提出迁移度量学习的通用框架。首先,基于属性相似性空间和类别相似性空间,利用层次K-均值聚类获取相似性;然后,利用信任评估框架和去相关归一化转换方法消除源集中的相关关系来抑制负迁移作用;最后,改进信息理论度量学习方法(ITML)进行相似性度量学习。对三种不同复杂度数据集进行实验,结果表明,提出方法的迁移学习性能较传统方法明显提高,且对负迁移影响具有更好的鲁棒性;提出的方法可应用于源集比目标集简单的情况,评估结果表明,即使源集知识有限,也可以得到较好的迁移学习效果。
关键词
迁移度量学习
层次k-均值聚类
相似性空间
信任评估框架
去相关归一化空间
信息理论度量学习
Keywords
transfer metric learning
hierarchical
k-
means clustering
similarity space
trust evaluation framework
de-correlated normalized space
information theoretic metric learning(ITML)
分类号
TP182 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于层次K-均值聚类的支持向量机模型
王秀华
秦振吉
《计算机应用与软件》
CSCD
北大核心
2014
1
下载PDF
职称材料
2
层次K-均值聚类结合改进ITML的迁移度量学习方法
蒋林利
吴建生
《计算机应用研究》
CSCD
北大核心
2017
1
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
