文献类型：期刊文章

作　　者：薛贞霞[1,2] 刘三阳[1] 刘万里[1,3]

机构地区：[1]西安电子科技大学应用数学系,陕西西安710071 [2]河南科技大学数学系,河南洛阳471003 [3]洛阳师范学院数学系,河南洛阳471022

出　　处：《厦门大学学报（自然科学版）》

基　　金：国家自然科学基金(60674108,60705004)资助

年　　份：2008

卷　　号：47

期　　号：6

起止页码：806-811

语　　种：中文

收录情况：AJ、BDHX、BDHX2004、BIOSISPREVIEWS、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2011_2012、INSPEC、JST、MR、PROQUEST、RCCSE、RSC、WOS、ZGKJHX、ZMATH、ZR、核心刊

摘　　要：针对渐进直推式支持向量机(Progressive transductive support vector machines,PTSVM)算法回溯式学习多,训练速度慢,学习性能不稳定的问题,提出一种基于可信度的渐进直推式支持向量机算法.该算法首先基于支持向量域描述(Support vector domain description,SVDD)对无标签样本点赋予一定的可信度,根据可信度选择新标注的无标签的样本点;其次利用支持向量预选取方法减少训练集的规模,对当前所有有标签的样本点用支持向量机(Support vector ma-chines,SVM)训练,最后重复上述过程从而求出最终的分类超平面.实验结果表明,与PTSVM相比,该算法不仅能较大幅度的提高算法的速度,更重要的是在一般情况下能提高算法的精度.

关 键 词：半监督学习 支持向量机 直推式学习 支持向量域描述

分 类 号：TP181]