导读:本文包含了样本预选取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:向量,样本,影像,模糊,近邻,光谱,算法。
样本预选取论文文献综述
张颖,余代俊,杨晓霞,戴晓爱[1]（2016）在《基于改进的样本预选取的高光谱影像半监督分类》一文中研究指出针对高光谱影像中无标记样本对分类精度的影响问题,运用一种改进的KFCM聚类算法先对未标记样本聚类;然后根据聚类结果进行未标记样本选取,挑选出的未标记样本位于聚类边界上可能属于支持向量;最后使用已有的标记样本和挑选的未标记样本对支持向量机(SVM)进行训练,直到其分类精度到达预期效果。实验结果表明,将聚类和半监督SVM分类相结合并进行未标记选取,比省略此过程直接使用SVM进行高光谱影像分类的精度高,且该方法稳定、可靠。(本文来源于《地理空间信息》期刊2016年09期）
贺元元[2]（2012）在《支持向量机样本预选取技术在语音识别中的应用研究》一文中研究指出语音识别作为人机交互的关键技术,在工业生产及社会生活中有着很广阔的应用空间。因此,研究语音识别系统是有相当的理论和实践价值。本文首先对语音识别系统的基本概念和原理进行了简要的介绍,分析了传统的语音识别技术的优点以及其局限性,其次阐述了本文主要研究的机器学习方法即：支持向量机。主要介绍了作为支持向量机基础的统计学习理论,以及支持向量机多类分类的常用方法。本文是为了解决支持向量机的核函数因参数寻优问题,产生冗余的额外计算量,从而导致大量的时间浪费,以及支持向量机在训练过程中,将很多时间都浪费在对非支持向量的复杂计算上,特别是对于大规模数据量的语音识别系统来说,支持向量机在训练时间上不必要的开销将会更加显着。鉴于以上弊端,本文引用了基于切比雪夫多项式的核函数,切比雪夫核函数避免了因核函数改变而带来的新参数的寻优问题,以及在支持向量机的训练过程中能够获得更少的支持向量个数。同时结合了高斯核函数的优良性能,对广义的切比雪夫核函数进行了适当的改进得到修正切比雪夫核函数,它在保证广义切比雪夫核函数良好特性不变的基础上,使得预测样本的识别率得到了进一步的提高。与此同时,本文还提出了一种多类分类的支持向量预选取算法,该算法运用了核模糊C均值聚类的原理,该聚类是一种常用的典型动态聚类算法,并且具有核函数能够把模式空间的数据非线性映射到高维特征空间的优点。在核模糊C均值聚类的基础上结合了多类分类支持向量机中的一对一方法的思想,按照既定的准则把训练样本集中有可能属于支持向量的样本数据进行预选取,很大程度上减少了支持向量机的训练时间。本文应用了几种不同词汇量及信噪比的语音数据库进行了验证实验,实验取得了较好的结果,有效地提高了支持向量机分类器的学习效率和泛化性能。(本文来源于《太原理工大学》期刊2012-05-01）
南光浩[3]（2009）在《基于模糊k近邻的样本预选取的支持向量机分类算法》一文中研究指出在支持向量机(SVM)方法中采用模糊k近邻方法进行样本预选取,旨在保留最优分类超平面附近的样本点,去除远处样本点,使训练样本集减小,消除冗余,从而减小所需内存.实验结果表明,该方法无论是训练速度还是分类精度都远远好于单独的SVM分类器.(本文来源于《延边大学学报(自然科学版)》期刊2009年03期）
冼广铭,曾碧卿,李星丽[4]（2008）在《半监督SVM的工作集样本预选取方法》一文中研究指出针对传统的半监督SVM训练方法把大量时间花费在非支持向量优化上的问题,提出了在凹半监督支持向量机方法中采用遗传FCM(GeneticFuzzyCMean,遗传模糊C均值)进行工作集样本预选取的方法。半监督SVM优化学习过程中,在原来训练集上(标签数据)加入了工作集(无标签数据),从而构成了新的训练集。该方法首先利用遗传FCM算法将未知数据划分成某个数量的子集,然后用凹半监督SVM对新数据进行训练得到决策边界与支持矢量,最后对无标识数据进行分类。这样通过减小工作样本集,选择那些可能成为支持向量的边界向量来加入训练集,减少参与训练的样本总数,从而减小了内存开销。并且以随机叁维数据为例进行分析,实验结果表明,工作集减小至原工作集的一定范围内,按比例减少工作集后的分类准确率、支持向量数与用原工作集相比差别不大,而分类时间却大为减少,获得了较为理想的样本预选取效果。(本文来源于《计算机工程与应用》期刊2008年20期）
徐芳,梅文胜,燕琴[5]（2005）在《支持向量机中遗传模糊C-均值的样本预选取方法》一文中研究指出提出了在支持向量机(support vector machine,SVM)方法中采用遗传模糊C均值(FCM)进行样本预选取的方法,旨在保留最优分类超平面附近的样本点,去除远处样本点,使训练样本集减小,消除冗余,从而减小所需内存。并以航空影像中的居民地为例进行分析,结果表明,按比例减少样本集后的分割结果与用原样本集的基本一样。(本文来源于《武汉大学学报(信息科学版)》期刊2005年10期）
样本预选取论文开题报告
（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：
语音识别作为人机交互的关键技术,在工业生产及社会生活中有着很广阔的应用空间。因此,研究语音识别系统是有相当的理论和实践价值。本文首先对语音识别系统的基本概念和原理进行了简要的介绍,分析了传统的语音识别技术的优点以及其局限性,其次阐述了本文主要研究的机器学习方法即：支持向量机。主要介绍了作为支持向量机基础的统计学习理论,以及支持向量机多类分类的常用方法。本文是为了解决支持向量机的核函数因参数寻优问题,产生冗余的额外计算量,从而导致大量的时间浪费,以及支持向量机在训练过程中,将很多时间都浪费在对非支持向量的复杂计算上,特别是对于大规模数据量的语音识别系统来说,支持向量机在训练时间上不必要的开销将会更加显着。鉴于以上弊端,本文引用了基于切比雪夫多项式的核函数,切比雪夫核函数避免了因核函数改变而带来的新参数的寻优问题,以及在支持向量机的训练过程中能够获得更少的支持向量个数。同时结合了高斯核函数的优良性能,对广义的切比雪夫核函数进行了适当的改进得到修正切比雪夫核函数,它在保证广义切比雪夫核函数良好特性不变的基础上,使得预测样本的识别率得到了进一步的提高。与此同时,本文还提出了一种多类分类的支持向量预选取算法,该算法运用了核模糊C均值聚类的原理,该聚类是一种常用的典型动态聚类算法,并且具有核函数能够把模式空间的数据非线性映射到高维特征空间的优点。在核模糊C均值聚类的基础上结合了多类分类支持向量机中的一对一方法的思想,按照既定的准则把训练样本集中有可能属于支持向量的样本数据进行预选取,很大程度上减少了支持向量机的训练时间。本文应用了几种不同词汇量及信噪比的语音数据库进行了验证实验,实验取得了较好的结果,有效地提高了支持向量机分类器的学习效率和泛化性能。
（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。
样本预选取论文参考文献
[1].张颖,余代俊,杨晓霞,戴晓爱.基于改进的样本预选取的高光谱影像半监督分类[J].地理空间信息.2016
[2].贺元元.支持向量机样本预选取技术在语音识别中的应用研究[D].太原理工大学.2012
[3].南光浩.基于模糊k近邻的样本预选取的支持向量机分类算法[J].延边大学学报(自然科学版).2009
[4].冼广铭,曾碧卿,李星丽.半监督SVM的工作集样本预选取方法[J].计算机工程与应用.2008
[5].徐芳,梅文胜,燕琴.支持向量机中遗传模糊C-均值的样本预选取方法[J].武汉大学学报(信息科学版).2005
论文知识图
