刘振
- 作品数：3 被引量：12H指数：2
- 供职机构：电子工程学院更多>>
- 发文基金：安徽省自然科学基金国家高技术研究发展计划更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于域相关性与流形约束的多源域迁移学习分类算法被引量：8
- 2017年
- 针对传统机器学习要求训练样本和测试样本具有相同分布的假设在实际应用中难以满足的问题,进行了迁移学习的研究。当源域与目标域的相关性较小时,粗暴式地强制性迁移不仅不能促进目标域学习,甚至会降低学习性能,即出现负迁移问题。为此,提出了一种基于多重相似性的多源域迁移学习方法。该方法首先从域—域和样本—域两个层面来更加准确地衡量目标域与多个源域的相关性;然后根据目标域分类器与相关源域分类器对目标域无标记样本具有相似决策值的平滑性流形假设,实现源域知识向目标域迁移的目的。在公共数据集上的实验结果表明,所提出的迁移学习方法不仅能够从多个不同源域中挖掘更多的知识用于目标域学习,而且能够根据域间相似性有选择地进行迁移,可以有效地避免负迁移问题。
- 刘振杨俊安刘辉王伟
- 模糊近邻密度聚类与重采样的迁移学习算法被引量：3
- 2016年
- 传统机器学习要求训练样本和测试样本具有相同分布的假设在实际应用中难以满足,为解决这种问题,迁移学习的研究近年来逐渐兴起。其中,基于聚类分析与重采样的迁移学习框架不需要直接估计域分布,且能够修正不同类型的域间差异,但其所采用的聚类算法对参数选择的鲁棒性及不同分布数据的适应性较差,并不能很好地适用于挖掘数据结构信息。为此,该文提出一种基于模糊近邻密度聚类与重采样的迁移学习算法。该方法对不同分布形状和密度的数据具有较好的鲁棒性并能够发现更多的近邻结构信息,能够从源域中迁移更多的有用知识用于目标域的学习。在公共数据集上的实验结果表明所提出的迁移学习方法具有更好的性能。
- 刘振杨俊安刘辉王伟
- 关键词：聚类分析密度聚类
- 基于局部行为相似性的拉普拉斯SVM半监督学习算法被引量：1
- 2016年
- 拉普拉斯支持向量机通过引入流形正则项能够利用未标记数据信息进行半监督学习,但其流形正则项中数据邻接图的构造由于没有利用数据的标记信息而不能更准确地表征数据流形结构,并且热核参数的经验式选择也无法保证算法的学习性能.为解决此问题,提出一种基于局部行为相似性的拉普拉斯支持向量机半监督学习算法.该方法基于人类行为认知的思想构造一种新的数据邻接图:首先,设计能够利用数据标记信息的行为相似边权值,同时引入能够反映邻域结构特性的局部分布参数解决热核参数的选择问题.在公共数据集上的实验结果表明所提出的半监督学习方法具有更好的性能.
- 刘振杨俊安刘辉王伟
- 关键词：半监督学习支持向量机流形学习
