导读:本文包含了无监督分类论文开题报告文献综述、选题提纲参考文献及外文文献翻译,主要关键词:引文,情感,图像,不平衡,模型,特征,机器。
无监督分类论文文献综述
卢晓光,蔺泽山,韩萍,邹璨[1](2019)在《自适应无监督分类的PolSAR图像机场跑道区域快速检测》一文中研究指出针对复杂PolSAR图像场景中机场目标区域检测问题,本文提出一种自适应无监督分类的机场目标快速检测方法,该方法首先对极化SAR相干矩阵分解提取PolSAR图像的特征值图,转化为超像素图实现图像去噪及降维。然后用SLIC超像素分割算法分割构造超像素。基于超像素图构建极化分类特征,并采用无监督的谱聚类方法提取出疑似机场跑道区域,其中的类别数确定利用VAT-DBE(Visual Assessment of cluster Tendency-Dark Block Extraction)算法获得。最后,在疑似区域内结合跑道结构特征进一步辨识检测出场景中的机场跑道区域。利用美国UAVSAR系统采集的多组全极化SAR实测数据对算法进行验证,并与两种已有的无监督跑道检测算法进行对比,实验结果表明,该算法能够快速准确检测出机场跑道区域,处理耗时可减小80%以上。具有更好的鲁棒性。(本文来源于《遥感学报》期刊2019年06期)
刘燕,石磊[2](2019)在《基于GOF的SAR海冰图像无监督自动分类算法》一文中研究指出提出一种基于拟合优度(GOF)的合成孔径雷达(SAR)海冰图像无监督自动分类算法。该算法首先在高斯混合模型(GMM)参数进行估计过程中,附加了一个拟合优度(GOF)检验过程,在一定置信区间条件下,不仅能动态地选择最佳显着类别数,而且在马尔科夫随机场(MRF)计算最小能量对区域重新标记时,能提供初始特征参数;然后,再进行区域增长循环迭代;最后,得到各区域的最佳标记。实验结果证明,此算法在提高运行效率的同时,能够解决无监督图像分类过程中需要手动输入类别数的问题,而且输出结果图与专家解译的实况图相比在细节保持上效果更好,实用性更强。(本文来源于《电子测量与仪器学报》期刊2019年05期)
陶娅芝[3](2019)在《基于word2vec和自训练的无监督情感分类方法》一文中研究指出针对现有情感分类算法中存在的问题,本文提出了一种基于word2vec和自训练的无监督情感分类方法。该方法首先利用word2vec和词性标签构建领域情感词典,并在此基础上融合否定词和程度副词来计算评论的情感倾向值;其次,选取情感倾向强烈的评论作为已标注训练集,剩余部分作为待分类数据集;最后,采用机器学习方法生成分类器进行自训练学习,直到迭代结束。采用手机评论作为实验数据,结果证实了该方法的有效性。(本文来源于《科技风》期刊2019年12期)
罗英[4](2019)在《基于无监督智能欠采样方法的不平衡数据分类算法研究》一文中研究指出信息化技术的飞速发展,催生了一个大规模生产、共享和应用数据的时代,而挖掘数据价值、征服数据海洋的基石则是机器学习。其中分类问题是该领域最核心的问题之一,一般的分类算法都有一个默认的前提假设,即不同类别的实例数目相当且错分代价也相当。然而在实际场景中,许多数据都呈现出类别高度不平衡的特性:某一类别的样例数目远大于其他类别,这使得一般分类学习方法很难取得良好的分类效果。为了更好的改善不平衡数据的分类性能,界内很多知名人士对此做了大量地分析与研究。目前这些研究大致可以归结为叁个层面:一是在建立模型之前对数据进行重构,主要是采用重采样技术来缩减类别之间的不平衡程度,如欠采样和过采样;二是改进分类学习算法,以适应不平衡数据所特有的差异性,如不同类别样例学习时使用不同的权重以及对多类样例引入扰动等;叁是把重采样技术与算法改进相结合。本文针对不平衡数据集的特殊性,提出了一种基于无监督学习的新的智能欠采样方法并引入了集成学习框架,可以较好地解决不平衡数据分类问题。本文主要做了以下几方面的工作:1.探究分析:首先分析了传统分类算法面对不平衡数据失效的原因,并探究现有方法及技术的原理及思想,找出其仍旧存在的一些问题。2.数据重构:受灰色系统理论的启示,针对以往重采样技术中存在的问题,提出了一种新的欠采样方法,通过kNN来寻找样例内部规律,并不断地剔除冗余样例,保留具有代表性的样例,直至不同类别样例的数目相当。3.算法集成:对比分析常用分类学习方法的一些特点及性能,整合了Bagging与SVM分类算法并对重构之后的数据进行分类学习。4.多类分类:分析研究多分类问题常用的一些处理机制与方法,并将本文所提出的方法扩展到了多类不平衡数据集分类的问题当中。(本文来源于《兰州大学》期刊2019-03-01)
徐浩[5](2019)在《16通道实时无监督生物神经元峰电位分类器芯片的设计与实现》一文中研究指出大脑海马体的损坏会导致丧失形成新记忆的能力并引起认知功能障碍,同时它也是阿尔兹海默症中最先受损的区域,目前没有治疗相关疾病的有效方法。用海马体假体生物芯片代替受损的海马体区域来恢复生物组织的功能是一种潜在的治疗手段。在该生物芯片中需要一个峰电位分类器来检测神经元信号中的峰电位并对其进行分类。本文基于40 nm CMOS工艺成功设计并实现了一款16通道实时、无监督的峰电位分类器芯片。在设计过程中,对叁种峰电位检测算法的准确率和计算复杂度进行了全面的对比;优化了 Osort聚类算法,提出了一种适合硬件实现的自动阈值计算方法。对比结果证明,该方法收敛速度更快并且鲁棒性更好,同时可以大幅降低所需的硬件资源;优化了贝叶斯最优模板匹配算法(Bayes Optimal Template Matching,BOTM),提出对部分重迭峰电位也具备检测和分类能力的PBOTM(Preselection BOTM)算法。与原算法相比,本文提出的PBOTM的计算复杂度平均降低99.15%,而准确率仅降低0.3%,硬件实现后该模块的功耗可降低84.48%,面积减小13.75%(该成果已在SCI期刊发表)。经测试,该芯片的功耗为304.7 μW(19.0μW/ch),核心面积为0.281 mm2(0.0175 mm2/ch),检测准确率为98.3%,分类准确率为93.4%。与其他文献结果对比,本芯片具有较高的检测和分类准确率以及较小的面积,并且具备对部分重迭峰电位进行检测和分类的能力,该功能在同类型芯片的文献中未有涉及。本芯片的实现不仅可以促进海马体假体生物芯片的研究进展,同时对各类神经科学实验中的线上峰电位分类具有应用价值或者借鉴意义。(本文来源于《浙江大学》期刊2019-03-01)
梁润宇[6](2019)在《基于主题情感混合模型的无监督微博情感分类》一文中研究指出随着互联网的兴起,带动了以微博为主的社交网络平台的快速发展,微博评论文本呈指数型增长,从海量评论文本中挖掘的情感信息在商业策划与社会应用中的价值越来越大,与此同时,依托计算机的无监督微博情感分析技术应运而生。与传统文本情感分析不同的是,微博评论文本在情感表达上有其独特之处,微博评论有一定的字数限制,短文本评论居多且数量规模大,易出现文本语法不规范、频现网络新词等现象。故本文针对微博文本以上特点开展研究,构建一个面向微博文本的领域情感词典,提出一种基于BTM主题模型的无监督微博情感分类模型(W-BSTM)。本文所构建的微博文本领域情感词典包含基础情感词典、网络用语情感词典、表情符号情感词典和领域扩建情感词典四部分。在现有情感词典基础上构建了一个二分类基础情感词典;通过观察与整理构建了针对文本中网络词语和表情符号的情感词典;使用基于HowNet语义计算方法建立微博领域的扩展词典,收集那些在传统文本中无情感倾向在微博文本表述中含情感倾向的词。W-BSTM模型是在BTM模型的基础上增加情感层,融合权重模型,形成无监督的“主题-情感-词汇”叁层贝叶斯主题情感混合模型,在保留BTM模型原有优越性的同时,综合考虑每个特征词在情感分类中的重要程度,提取文本情感信息,并通过实验将该模型与其他主题情感分类模型对比,证明了该模型在短文本情感分类上有着较好的效果。最后使用微博爬虫技术获取新浪微博评论文本,将本文构建的情感词典和W-BSTM模型实际运用于微博评论情感分析中,验证本文所提出的基于主题情感混合模型的无监督微博情感分类方法的有效性与可行性。(本文来源于《天津工业大学》期刊2019-01-22)
徐昌,陈金琼,周文[7](2018)在《改进无监督极限学习机的不平衡数据分类》一文中研究指出针对传统的分类算法对不平衡数据分类的少数类数据分类准确率低的问题,本文基于模糊c均值聚类和SMOTE过采样技术,提出了改进的无监督极限学习机(FCM-US-ELM)。提出的方法通过模糊c均值聚类,将无标签的训练集正负类数据分为不同的簇,更新聚类中心和计算隶属度,然后按照规定的采样率在正类数据集上进行SMOTE过采样,使得训练集正、负类数据的个数趋于平衡,用新形成的训练集放入无监督极限学习机中训练。对比分析实验结果,提出的方法能够有效地减少数据的不平衡分布对正类数据分类正确率的干扰,得到更好的分类效果。在UCI数据集的分类实验中,新方法能够很好地处理数据的不平衡分类,达到了预期的效果。(本文来源于《安徽师范大学学报(自然科学版)》期刊2018年06期)
彭艳斌,邱薇薇,郑志军,李晓勇,潘志刚[8](2018)在《基于无监督特征选择的高光谱图像分类方法》一文中研究指出在高光谱图像分类中,丰富的数据提升了其地物识别能力。然而,由于样本特征数大且有标记训练样本点少,导致"维度灾难"问题。本文提出一种基于无监督特征选择的高光谱图像分类方法,该方法同时考虑数据的流形嵌入映射和稀疏表达,将特征选择问题转化为一个优化问题,数据的流形嵌入和稀疏表达作为约束项加入目标函数。设计了叁个目标函数,第一个目标函数描述流形学习的局部性原则,第二个目标函数将原始样本点回归到低维嵌入空间,第叁个目标函数对回归系数进行正则化。针对目标函数非凸的问题,用迭代的方法来解这个约束优化问题,给出了解该优化问题的算法。优选特征用于参与后续的分类识别任务。在真实的高光谱数据集上的实验表明,新方法能够提高分类的精度。(本文来源于《光电子·激光》期刊2018年08期)
窦煦[9](2018)在《基于无监督域适应分类的引文情感分析》一文中研究指出引文情感分析是从极性和功能两方面分析引文,进而深入挖掘被引文献和施引文献之间的内在关联。引文是施引文献的作者对被引文献所做工作的相关描述语句。基于机器学习的情感分析主要是将其转换为一个分类问题,即情感分类。本文把引文的极性分析和引文的功能分析都视为自动化分类任务,即通过训练分类器来预测每条引文数据对应的极性或功能类别。自动化分类现有的方法主要集中在有监督的分类方法,这类方法需要有大量标签的数据。由于现有的有标签的引文数据量少且人工标注语料的成本高,因此需要开发对有标签语料需求量少的分类方法。本文提出基于无监督域适应的分类方法对分别引文的极性和功能分类。无监督域适应的思想是在目标域数据完全无标签的情况下学习源域和目标域之间的映射,适用于对标签语料需求量少的情况。本文提出的分类方法根据无监督域适应的思想引入领域对抗的概念来学习源域和目标域之间的映射。引文的极性分析是对引文的情感倾向性或态度分析,在本文中分为正向、负向和中立叁类。本文将现有的计算机语言学领域中的有标签的引文数据作为源域,待分类的目标域是生物医学领域的无标签引文数据。该自动化分类方案使得引文极性分类的准确率提升到90%。引文的功能分析是识别施引文献引用被引文献的动机和目的。本文提出一个10种类别的引文功能方案,主要是加入敷衍这一类别,并根据该方案人工标注引文的功能标签。引文功能的自动化分类同样使用无监督域适应的分类方法。由于大多数现有研究只关注极性分析或者功能分析,却忽略了两者之间的内在关联。本文提出引文功能到极性的映射关系的设想,经实验证明设想是合理的。本文提出的无监督域适应分类方法经过引文的极性和功能两组分类实验证明是有效和可行的。通过对引文的极性和功能进行分析,能够深入挖掘施引文献和被引文献之间的潜在关联,是学术文本挖掘的基础性工作。(本文来源于《北京交通大学》期刊2018-06-01)
古险峰,冯学晓[10](2018)在《基于深度无监督学习的图像分类算法》一文中研究指出为了取得精确的图像分类效果,一方面需要提取大量的图像特征数据进行样本分析,另一方面大量的数据又造成了维数灾难.因此,为了解决信息全面与维数灾难的矛盾,引入了深度学习.深度学习利用分层结构处理复杂的高维数据,可以完成复杂函数的逼近,是一类具有多层非线性映射的学习算法,但深度学习模型优化困难且对隐层参数敏感.针对上述问题,将无监督算法引入深度学习,这种学习方法无须人工设计特征提取数据,训练过程中样本标签是未知的.实验表明,该算法在不影响图像分类效果的前提下,可以大大降低计算复杂度,具有一定的时效性.(本文来源于《平顶山学院学报》期刊2018年02期)
无监督分类论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
提出一种基于拟合优度(GOF)的合成孔径雷达(SAR)海冰图像无监督自动分类算法。该算法首先在高斯混合模型(GMM)参数进行估计过程中,附加了一个拟合优度(GOF)检验过程,在一定置信区间条件下,不仅能动态地选择最佳显着类别数,而且在马尔科夫随机场(MRF)计算最小能量对区域重新标记时,能提供初始特征参数;然后,再进行区域增长循环迭代;最后,得到各区域的最佳标记。实验结果证明,此算法在提高运行效率的同时,能够解决无监督图像分类过程中需要手动输入类别数的问题,而且输出结果图与专家解译的实况图相比在细节保持上效果更好,实用性更强。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
无监督分类论文参考文献
[1].卢晓光,蔺泽山,韩萍,邹璨.自适应无监督分类的PolSAR图像机场跑道区域快速检测[J].遥感学报.2019
[2].刘燕,石磊.基于GOF的SAR海冰图像无监督自动分类算法[J].电子测量与仪器学报.2019
[3].陶娅芝.基于word2vec和自训练的无监督情感分类方法[J].科技风.2019
[4].罗英.基于无监督智能欠采样方法的不平衡数据分类算法研究[D].兰州大学.2019
[5].徐浩.16通道实时无监督生物神经元峰电位分类器芯片的设计与实现[D].浙江大学.2019
[6].梁润宇.基于主题情感混合模型的无监督微博情感分类[D].天津工业大学.2019
[7].徐昌,陈金琼,周文.改进无监督极限学习机的不平衡数据分类[J].安徽师范大学学报(自然科学版).2018
[8].彭艳斌,邱薇薇,郑志军,李晓勇,潘志刚.基于无监督特征选择的高光谱图像分类方法[J].光电子·激光.2018
[9].窦煦.基于无监督域适应分类的引文情感分析[D].北京交通大学.2018
[10].古险峰,冯学晓.基于深度无监督学习的图像分类算法[J].平顶山学院学报.2018