您的位置： 专家智库 > >

孟晓倩

作品数：3 被引量：3H指数：1
供职机构：河北大学更多>>
发文基金：河北省科技支撑计划项目河北省教育厅科研基金国家自然科学基金更多>>
相关领域：自动化与计算机技术更多>>

合作作者

文献类型

  • 1篇期刊文章
  • 1篇学位论文
  • 1篇会议论文

领域

  • 3篇自动化与计算...

主题

  • 3篇向量
  • 2篇迭代
  • 2篇支持向量
  • 2篇支持向量机
  • 2篇向量机
  • 2篇半监督学习
  • 2篇边界向量
  • 2篇SVM-KN...
  • 2篇K-近邻
  • 1篇信息处理
  • 1篇中文
  • 1篇中文文本
  • 1篇中文文本分类
  • 1篇文本分类
  • 1篇文本信息
  • 1篇文本信息处理
  • 1篇向量空间
  • 1篇向量空间模型

机构

  • 3篇河北大学

作者

  • 3篇孟晓倩
  • 2篇李昆仑
  • 2篇骆学荣

传媒

  • 1篇北京交通大学...

年份

  • 1篇2010
  • 2篇2009
共 3 条 记 录，以下是 1-3
全选 清除 导出
排序方式：
基于半监督学习的SVM-KNN
当前机器学习面临的主要问题之一，是如何解决含有大量未标记样本的分类问题.本文针对性的提出了一种新的基于半监督的SVM-KNN分类方法，当可用的训练样本较少时，使用SVM进行分类，不能得到准确的分类边界，但可以从大量未标记...
李昆仑骆学荣孟晓倩
关键词：半监督学习支持向量机K-近邻边界向量迭代
基于PCA与多视图学习的中文文本分类研究
随着信息时代的来临，电子文本信息迅速膨胀，如何有效地组织和管理这些信息，并准确、全面、快速地将用户所需要的信息从文本信息系统中选取出来成为当前信息科学和技术领域的一大挑战。文本分类技术作为文本信息处理领域的关键技术之一，...
孟晓倩
关键词：中文文本分类文本信息处理向量空间模型
文献传递
基于半监督学习的SVM-KNN被引量：3
2009年
提出一种新的基于半监督的SVM-KNN分类方法,当可用的训练样本较少时,使用SVM进行分类,不能得到准确的分类边界,本文采用半监督学习策略从大量未标记样本中提取边界向量来改善SVM.KNN分类器的引进不仅扩充了SVM的训练样本数目,而且优化了迭代过程中训练样本的标记质量,可不断修复SVM的分类边界.实验结果表明,所提出的方法能提高SVM算法的分类精度,通过调整参数能够获得更好的分类效果,同时也减小了标记大量未标记样本的代价.
李昆仑骆学荣孟晓倩
关键词：半监督学习支持向量机K-近邻边界向量迭代
全选 清除 导出
共1页<1>
聚类工具0