CN105320967A - 基于标签相关性的多标签AdaBoost集成方法 - Google Patents
基于标签相关性的多标签AdaBoost集成方法 Download PDFInfo
- Publication number
- CN105320967A CN105320967A CN201510740949.XA CN201510740949A CN105320967A CN 105320967 A CN105320967 A CN 105320967A CN 201510740949 A CN201510740949 A CN 201510740949A CN 105320967 A CN105320967 A CN 105320967A
- Authority
- CN
- China
- Prior art keywords
- label
- many
- classification
- sample
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明公开了一种基于标签相关性的多标签AdaBoost集成方法,采用一种基于样本权重的stump决策树方法作为弱分类器,弱分类器的输出为样本标签的置信度,置信度大小紧密依赖于样本权重,构造方法简单、高效;本发明针对多分类问题,根据分类结果来判断标签之间的相似性,并融合到多标签AdaBoost算法的迭代训练中,将标签相关性分析融入到分类模型的训练中,相互促进、相互影响,最终提升强分类器性能;针对多标签分类问题,采用余弦相似度来计算标签相关性矩阵,把原始标签转换为模糊标签,并把模糊标签矩阵与分类器模型训练相结合。本发明方法易于实现,可提高多标签分类系统的效率,具有更好的分类效果。
Description
技术领域
本发明涉及一种基于标签相关性的多标签AdaBoost集成方法。
背景技术
相比于二分类问题,多标签分类问题更符合真实世界。在多分类问题中,一个样例只有一个标签,例如数字识别问题。在多标签分类问题中,一个样例可能同时具有多个不同的标签,例如,一副图像可能具有多个语义。
Schapire等人于1999年在文章《Improvedboostingalgorithmsusingconfidence-ratedpredictions》(MachineLearning,1999,37(3):297-336)中引入置信度,并把二分类AdaBoost算法扩展到多标签分类中。蒋云良等人在申请号为CN201510036010.5的专利申请中提出了一种基于ELM的多类AdaBoost集成学习方法,该方法可以直接应用于多分类问题。但这些算法并没有考虑标签之间的相关性问题。范莹等人在申请号为CN201510068195.8的专利申请中提出一种多标签分类方法,把多标签问题转换为单标签问题,通过标签顺序,构造多个分类器链,从而解决多标签分类问题。但这样容易造成误差通过标签顺序进行传递,从而影响多标签分类性能。
现有的多标签分类方法中,大多数方法在利用标签相关性促进分类模型构建时往往分为两步:第一步分析标签之间相关性,第二步再利用标签相关性进行分类建模。如ZhangMinling等人于2010年在文章《Multi-labellearningbyexploitinglabeldependency》(发表时间2010年,InProceedingsofthe16thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMining.Washington,DC,USA,999–1008.)中提出了一种两阶段算法,该算法先利用贝叶斯神经网络计算标签相关性,然后利用标签相关性来学习多个二元分类器,进而解决多标签分类问题。Deng等人于2014年在文章《Large-scaleobjectclassificationusinglabelrelationgraphs》(ComputerVision–ECCV2014.SpringerInternationalPublishing,2014:48-64.)中提出基于HEX的概率分类模型,采用HEX层次结构来表示标签相关性。然而,这样分割的两个步骤会导致标签相关性信息并无法促进第二步的运行。
发明内容
为了克服现有技术的上述缺点,本发明提供了一种基于标签相关性的多标签AdaBoost集成方法。
本发明解决其技术问题所采用的技术方案是:一种基于标签相关性的多标签AdaBoost集成方法,包括如下步骤:
步骤一、获取训练样本集X={(x1,Y1),...,(xm,Ym)},xi=(xi1,…xid)∈Rd,表示样本空间有d个属性,Yi是样本xi的标签集,如果l∈Yi,则Y(i,l)=1,否则Y(i,l)=-1;
步骤二、判断问题类型,若是多分类问题,则进入步骤四;若是多标签分类问题,则进入步骤三;
步骤三、采用余弦相似度来计算标签相关矩阵R和模糊标签矩阵
步骤四、初始化样本权重:w(i,l)=1(mK),其中:m为样本个数,K为类别个数;
步骤五、基于样本权重wt(i,l)训练第t个弱分类器ht,t=1,2,…T,T为待集成的弱分类器个数;
步骤六、判断问题类型,若是多分类问题,则进入步骤七;若是多标签分类问题,则进入步骤九;
步骤七、根据临时强分类器ft对样本集X的分类结果计算标签相似矩阵St:
步骤八、对βt赋值如下:如果ht(xi)=l且St(yi,l)=1,则令βt(i,l)=c2,否则βt(i,l)=c1;然后进入步骤十;
步骤九、对βt赋值如下:如果且ht(xi,l)>0则令βt(i,l)=c2,否则βt(i,l)=c1;然后进入步骤十;
步骤十、计算第t个弱分类器的权重αt:ut(xi)=Yi(l)ht(xi,l)βt(i,l);
步骤十一、更新权重并归一化:wt+1(i,l)=wt(i,l)exp(-αtYi(l)ht(xi,l)βt(i,l));
步骤十二、判断t是否小于迭代次数T:如果是,返回步骤五;如果否,进入步骤十三;
步骤十三、输出强分类器H(x):
对于多分类问题,则输出
对于多标签分类问题,则输出
与现有技术相比,本发明的积极效果是:
AdaBoost算法的核心思想是针对同一个训练集训练不同的分类器,然后把这些弱分类器集合起来,构成一个更强的强分类器。其算法本身是通过改变数据分布来实现的,它根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器。AdaBoost算法中不同的训练集是通过调整每个样本对应的权重来实现的,如何基于样本权重训练新的弱分类器,显得尤其重要。一般采用两种方法,一种是根据样本权重重新采样,将新的数据集送入弱分类器训练模型中;另一种是弱分类器本身的训练就已经把样本权重当做参数来影响弱分类器的输出。
本发明相对于现有技术,具有以下有益效果:
1、本发明方法在过程中采用一种基于样本权重的stump决策树方法作为弱分类器,弱分类器的输出为样本标签的置信度,置信度大小紧密依赖于样本权重,构造方法简单、高效。
2、本发明方法可分别应用于多分类问题和多标签分类问题,而标签之间存在很大的相关性。本发明针对多分类问题,根据分类结果来判断标签之间的相似性,并融合到多标签AdaBoost算法的迭代训练中,将标签相关性分析融入到分类模型的训练中,相互促进、相互影响,最终提升强分类器性能;针对多标签分类问题,采用余弦相似度来计算标签相关性矩阵,把原始标签转换为模糊标签,并把模糊标签矩阵与分类器模型训练相结合。该方法不仅考虑了两两标签之间相关性,还对多个标签之间的相关性加以利用,更符合实际问题。
3、本发明方法易于实现,可提高多标签分类系统的效率,具有更好的分类效果。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1为基于标签相关性的多标签AdaBoost集成方法的流程图;
图2为AdaBoost.MLS算法和AdaBoost.MH算法测试错误率对比图;
图3为AdaBoost.MLR和AdaBoost.MH在Emotions数据集上性能对比图。
具体实施方式
一种基于标签相关性的多标签AdaBoost集成方法,如图1所示,包括如下步骤:
步骤一、获取训练样本集X={(x1,Y1),...,(xm,Ym)},xi=(xi1,…xid)∈Rd,表示样本空间有d个属性,Yi是样本xi的标签集,如果l∈Yi,则Yi(l)=1,否则Yi(l)=-1。
步骤二、判断问题类型,若是多分类问题,则进入步骤四;若是多标签分类问题,则进入步骤三;
步骤三、采用余弦相似度来计算标签相关矩阵R和模糊标签矩阵
S31、获得原始标签矩阵W=(W(i,l))m×K,其中,若l∈Yi,则W(i,l)=1,否则W(i,l)=0;
S32、令计算标签相关矩阵R=(R(l1,l2))m×K,其中,如果R(l1,l2)>thresh1则表示标签l1和l2为相关标签,否则标签l1和l2无关。其中thresh1可视情况而定,例如可取thresh1=0.1。
S33、利用标签相关矩阵R,对原始标签矩阵W进行标签补全,获得模糊标签矩阵构造方式为
本步骤为本发明的改进之处,将原始标签进行补全后,不仅考虑了两两标签之间相关性,还能考虑到多个标签之间的相关性。模糊标签矩阵更符合实际情况。
步骤四、初始化样本权重:w(i,l)=1(mK),其中:m为样本个数,K为类别个数;
步骤五、基于样本权重wt(i,l)训练第t个弱分类器ht,t=1,2,…T,T为待集成的弱分类器个数;具体过程如下:
S51、根据第n个属性(n=1,…d,d为样本空间的总的属性个数),适当选取阈值threshn,将样本集X分为和两部分,若xin<threshn,则否则计算其中j=1,2。
S52、定义stump决策树stumpn,当时,有其中stumpn(x,l)为输出对应标签l的置信度;
S53、选取能使得达到最小的属性所对应的stumpn作为第t个弱分类器ht;
本步骤是本发明的改进之处,定义了一个紧密结合样本权重的stump决策树算法,输出值对应标签l的置信度,且在步骤S52中引入了平滑因子能兼顾所有标签,也从另一个角度考虑了标签之间的相关性。
步骤六、判断问题类型,若是多分类问题,则进入步骤七;若是多标签分类问题,则进入步骤九;
步骤七、计算临时强分类器得到标签相似矩阵St;若t=1,则令S1=I(K×K),I(K×K)为K阶单位矩阵;根据临时强分类器ft对样本集X的分类结果计算标签相似矩阵St;
S71、调用分类器ft对X进行分类,得到分类结果Nt={Nt(li,lj)}K×K,li≠lj,其中Nt(li,lj)表示把标签为li的样本错分为标签lj的样本个数;
S72、计算分类器把标签为li的样本错分为lj的概率:
Pt(li,lj)=Nt(li,lj)/sum(Nt(li,lj));
S73、获得标签相似矩阵St={St(li,lj)}K×K,其中如果Pt(li,lj)>thresh2,St(li,lj)=1,否则St(li,lj)=0,其中thresh2可视情况而定,例如可取thresh2=1/K;
本步骤是本发明的改进之处,能随着弱分类器的迭代训练而得到不断更新的标签相似矩阵St,并把St融入到多分类集成模型中,达到分类模型与标签相关性相互促进的效果,最终提升分类性能。
步骤八、对权值调整因子βt赋值如下:如果ht(xi)=l且St(yi,l)=1,则令βt(i,l)=c2,否则βt(i,l)=c1,其中c2≥c1,c2+c1=2,通常取c2=1.25,c1=0.75;然后进入步骤十;
步骤九、对权值调整因子βt赋值如下:如果 且ht(xi,l)>0则令βt(i,l)=c2,否则βt(i,l)=c1,其中c2≥c1,c2+c1=2,通常取c2=1.25,c1=0.75;然后进入步骤十;;
步骤十、计算第t个弱分类器的权重αt:ut(xi)=Yi(l)ht(xi,l)βt(i,l);
步骤十一、更新权重并归一化:wt+1(i,l)=wt(i,l)exp(-αtYi(l)ht(xi,l)βt(i,l));
步骤六至步骤十一是本发明的改进之处,结合标签相关性,引入了权值调整因子βt,强迫弱分类器重点关注于分错的样本和易错分的标签,促使分类器集成模型随着弱分类器的训练而得到更强的分类器。
步骤十二、判断t是否小于迭代次数T:如果是,返回步骤五;如果否,进入步骤十三;
所述迭代次数T的取值范围为60—200。理论上强分类器的错分损失会随着弱分类器个数的增加而递减,因此,一般选择T能使得强分类器的错分损失收敛到某个可以接受的值即可。
步骤十三、输出强分类器H(x):
对于多分类问题,则输出
对于多标签分类问题,则输出
如图1所示,本发明提供了一种基于标签相关性的多标签AdaBoost集成方法,既可以解决多分类问题,也可以解决多标签分类问题。在将该发明方法用于多分类问题时,简记为AdaBoost.MLS方法;在将该发明方法用于多标签分类问题时,简记为AdaBoost.MLR。试验结果与AdaBoost.MH方法进行比较。
在将该发明方法用于多分类问题时,数据选取了4个标准UCI试验数据集,包括Usps、Mnist、Isolet和Pendigits数据集,具体数据集见表1:
表1.实验数据集
AdaBoost.MLS算法和AdaBoost.MH算法在上述数据集上的实验对比结果如图2,横轴为弱分类器个数T,纵轴为测试错误率。
以手写数字数据集Usps、Mnist和Pendigits为例,详细的数字识别错误率如表2。其中第1行是每个数据集总体识别率,第2-11行分别为数字0-数字9的识别率。本发明方法优胜之处由黑色字体标出。
表2:AdaBoost.MLS算法和AdaBoost.MH算法在3个数据集上的详细识别率
数据表明,本发明方法在4个数据集上的总体识别错误率都有一定程度的降低,尤其是针对分类准确度较低的类别,例如Usps数据集的数字5和数字8降低了12.5%左右,Mnist数据集的数字2和数字3降低了15%左右、数字5降低了9%左右,Pendigits数据集的数字4降低了11.6%左右。
在将该发明方法用于多标签分类问题时,采用的数据集来自于Mulan(http://mulan.sourceforge.net/datasets.html),具体见表3:
表3实验数据集
本发明方法在对Scene数据集的标签相关性分析后发现,标签field和标签mountain的相关性比较大。包含mountain标签的图像大约有16%均包含field标签,其余标签如beach,sunset,fallfoliage,urban几乎可以认为是标签独立的。
对于Image数据集,其包含5个标签desert,mountains,sea,sunset,trees。其中mountains和sea经常同时出现,其相关度为0.22;sea和sunset经常同时出现,其相关度为0.34;其余几乎可以认为标签独立。
Emotions数据集标签之间的关系比较复杂,其包含6个标签amazed,happy,relaxing,quiet,sad,angry。经过分析发现,amazed标签会伴随happy标签或者angry标签;relaxing标签、quiet标签和sad标签经常两两同时出现或者三者同时出现;而amazed标签和quiet标签不同时出现。Emotions数据集具体标签相关矩阵如表4:
表4.Emotions数据集标签相关矩阵
对Emotions数据集,经过模糊标签的构造方式,利用标签相关矩阵,将原始标签向量进行补全转换为模糊标签向量。例如仅包含relaxing标签的样本,其标签向量为(0,0,1,0,0,0),经过转换得到模糊标签向量(0,0.43,1,0.53,0.45,0),说明该样本包含happy标签的置信度为0.43,包含quiet标签的置信度为0.53,包含sad标签的置信度为0.45。再例如包含relaxing标签和quiet标签的样本,其标签向量为(0,0,1,1,0,0),经过转换得到模糊标签向量(0,0.4347,1.5261,1.5261,1.1170,0),说明该样本包含happy标签的置信度为0.4347,包含sad标签的置信度为1.1170,也就是说relaxing和quiet两个标签同时存在时,sad标签存在的可能性比较高。这样也说明模糊标签向量不仅能考虑两两标签相关性,还能考虑更复杂的标签相关性。
实验过程中,采用五种评价方式,包括HammingLoss,One-error,Coverage,RankingLoss,AveragePrecision,其中AveragePrecision越高越好,其余评价方式均越低越好。实验采取十折交叉验证方法,实验20次取平均值,因数据集样本空间不大,有文献指出只需对少数的弱分类器进行集成就可得到很好的性能提升,因此实验迭代60次,即取60个弱分类器进行集成学习,实验结果如表5。本发明方法优胜之处由黑色字体标出。
表5.AdaBoost.MH和AdaBoost.MLR的实验对比
在Emotions数据集上,根据上述5个评价标准上的实验对比分析图如图3,横轴为弱分类个数T,纵轴为对应的评价标准。
数据表明,本发明方法在5个评价标准上的分类性能均优于AdaBoost.MH算法。如在Emotions数据集上,RankingLoss由0.1930减小到0.1787,下降了7%左右;Image数据集上的One-error由0.3707减小到0.3386,降低了8.7%左右;Scene数据集上Coverage由0.5872减小到0.5477,降低了6.7%左右。
以上介绍了基于标签相关性的多标签AdaBoost集成方法,既能解决多分类问题,也能解决多标签分类问题。在AdaBoost集成学习训练中,采用基于样本权重的stump决策树方法作为弱分类器,并结合标签相关性,将多个弱分类器集成为一个强分类器。本发明并不限定于以上实施例,任何未脱离本发明技术方案,即仅仅对其进行本领域普通技术人员所知悉的改进或变更,均属于本发明的保护范围之内。
Claims (4)
1.一种基于标签相关性的多标签AdaBoost集成方法,其特征在于:包括如下步骤:
步骤一、获取训练样本集X={(x1,Y1),...,(xm,Ym)},xi=(xi1,…xid)∈Rd,表示样本空间有d个属性,Yi是样本xi的标签集,如果l∈Yi,则Y(i,l)=1,否则Y(i,l)=-1;
步骤二、判断问题类型,若是多分类问题,则进入步骤四;若是多标签分类问题,则进入步骤三;
步骤三、采用余弦相似度来计算标签相关矩阵R和模糊标签矩阵
步骤四、初始化样本权重:w(i,l)=1/(mK),其中:m为样本个数,K为类别个数;
步骤五、基于样本权重wt(i,l)训练第t个弱分类器ht,t=1,2,…T,T为待集成的弱分类器个数;
步骤六、判断问题类型,若是多分类问题,则进入步骤七;若是多标签分类问题,则进入步骤九;
步骤七、根据临时强分类器ft对样本集X的分类结果计算标签相似矩阵St:
步骤八、对权值调整因子βt赋值如下:如果ht(xi)=l且St(yi,l)=1,则令βt(i,l)=c2,否则βt(i,l)=c1;然后进入步骤十;
步骤九、对权值调整因子βt赋值如下:如果 且ht(xi,l)>0则令βt(i,l)=c2,否则βt(i,l)=c1;然后进入步骤十;
步骤十、计算第t个弱分类器的权重αt: ut(xi)=Yi(l)ht(xi,l)βt(i,l);
步骤十一、更新权重并归一化:wt+1(i,l)=wt(i,l)exp(-αtYi(l)ht(xi,l)βt(i,l));
步骤十二、判断t是否小于迭代次数T:如果是,返回步骤五;如果否,进入步骤十三;
步骤十三、输出强分类器H(x):
对于多分类问题,则输出
对于多标签分类问题,则输出
2.根据权利要求1所述的基于标签相关性的多标签AdaBoost集成方法,其特征在于:步骤三所述采用余弦相似度来计算标签相关矩阵R和模糊标签矩阵的方法如下:
S31、获得原始标签矩阵W=(W(i,l))m×K,其中,若l∈Yi,则W(i,l)=1,否则W(i,l)=0;
S32、令计算标签相关矩阵R=(R(l1,l2))m×K,其中,如果R(l1,l2)>thresh1则表示标签l1和l2为相关标签,否则标签l1和l2无关;
S33、采用如下公式计算模糊标签矩阵:
3.根据权利要求1所述的基于标签相关性的多标签AdaBoost集成方法,其特征在于:步骤五所述训练第t个弱分类器ht的方法如下:
S51、根据第n个属性,选取阈值threshn,将样本集X分为和两部分,若xin<threshn,则否则计算 其中j=1,2;
S52、定义stump决策树stumpn,当时,有其中stumpn(x,l)为输出对应标签l的置信度;
S53、选取能使得达到最小的属性所对应的stumpn作为第t个弱分类器ht。
4.根据权利要求1所述的基于标签相关性的多标签AdaBoost集成方法,其特征在于:步骤七所述计算标签相似矩阵St的方法如下:
S71、调用分类器ft对X进行分类,得到分类结果Nt={Nt(li,lj)}K×K,li≠lj,其中Nt(li,lj)表示把标签为li的样本错分为标签lj的样本个数;
S72、计算分类器把标签为li的样本错分为lj的概率:
Pt(li,lj)=Nt(li,lj)/sum(Nt(li,:));
S73、获得标签相似矩阵St={St(li,lj)}K×K,其中如果Pt(li,lj)>thresh2,St(li,lj)=1,否则St(li,lj)=0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510740949.XA CN105320967A (zh) | 2015-11-04 | 2015-11-04 | 基于标签相关性的多标签AdaBoost集成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510740949.XA CN105320967A (zh) | 2015-11-04 | 2015-11-04 | 基于标签相关性的多标签AdaBoost集成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105320967A true CN105320967A (zh) | 2016-02-10 |
Family
ID=55248321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510740949.XA Pending CN105320967A (zh) | 2015-11-04 | 2015-11-04 | 基于标签相关性的多标签AdaBoost集成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105320967A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106776884A (zh) * | 2016-11-30 | 2017-05-31 | 江苏大学 | 一种基于多标签组合多分类器的恐怖行为预测方法 |
CN107704888A (zh) * | 2017-10-23 | 2018-02-16 | 大国创新智能科技(东莞)有限公司 | 一种基于联合聚类深度学习神经网络的数据识别方法 |
CN107818339A (zh) * | 2017-10-18 | 2018-03-20 | 桂林电子科技大学 | 一种人类活动识别的方法 |
CN107845424A (zh) * | 2017-11-15 | 2018-03-27 | 海南大学 | 诊断信息处理分析的方法和系统 |
CN108197663A (zh) * | 2018-01-23 | 2018-06-22 | 南京大学 | 基于对偶集合多标记学习的书法作品图像分类方法 |
CN109842614A (zh) * | 2018-12-29 | 2019-06-04 | 杭州电子科技大学 | 基于数据挖掘的网络入侵检测方法 |
CN109840531A (zh) * | 2017-11-24 | 2019-06-04 | 华为技术有限公司 | 训练多标签分类模型的方法和装置 |
CN109840530A (zh) * | 2017-11-24 | 2019-06-04 | 华为技术有限公司 | 训练多标签分类模型的方法和装置 |
CN111160398A (zh) * | 2019-12-06 | 2020-05-15 | 重庆邮电大学 | 一种基于示例级和标签级关联的缺失标签多标签分类方法 |
CN112353402A (zh) * | 2020-10-22 | 2021-02-12 | 平安科技(深圳)有限公司 | 心电信号分类模型的训练方法、心电信号分类方法及装置 |
CN112790775A (zh) * | 2021-01-22 | 2021-05-14 | 中国地质大学(武汉) | 基于集成分类的高频振荡节律检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184422A (zh) * | 2011-05-15 | 2011-09-14 | 中科院成都信息技术有限公司 | 一种平均错分代价最小化的分类器集成方法 |
CN102819745A (zh) * | 2012-07-04 | 2012-12-12 | 杭州电子科技大学 | 一种基于AdaBoost的高光谱遥感影像分类方法 |
CN102831413A (zh) * | 2012-09-11 | 2012-12-19 | 上海中原电子技术工程有限公司 | 基于多分类器融合的人脸识别方法及系统 |
US20140307958A1 (en) * | 2013-04-16 | 2014-10-16 | The Penn State Research Foundation | Instance-weighted mixture modeling to enhance training collections for image annotation |
CN104598925A (zh) * | 2015-01-23 | 2015-05-06 | 湖州师范学院 | 一种基于ELM的多类Adaboost集成学习方法 |
-
2015
- 2015-11-04 CN CN201510740949.XA patent/CN105320967A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184422A (zh) * | 2011-05-15 | 2011-09-14 | 中科院成都信息技术有限公司 | 一种平均错分代价最小化的分类器集成方法 |
CN102819745A (zh) * | 2012-07-04 | 2012-12-12 | 杭州电子科技大学 | 一种基于AdaBoost的高光谱遥感影像分类方法 |
CN102831413A (zh) * | 2012-09-11 | 2012-12-19 | 上海中原电子技术工程有限公司 | 基于多分类器融合的人脸识别方法及系统 |
US20140307958A1 (en) * | 2013-04-16 | 2014-10-16 | The Penn State Research Foundation | Instance-weighted mixture modeling to enhance training collections for image annotation |
CN104598925A (zh) * | 2015-01-23 | 2015-05-06 | 湖州师范学院 | 一种基于ELM的多类Adaboost集成学习方法 |
Non-Patent Citations (1)
Title |
---|
张丹普 等: "基于双标签集的标签匹配集成学习算法", 《计算机应用》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106776884A (zh) * | 2016-11-30 | 2017-05-31 | 江苏大学 | 一种基于多标签组合多分类器的恐怖行为预测方法 |
CN106776884B (zh) * | 2016-11-30 | 2021-04-20 | 江苏大学 | 一种基于多标签组合多分类器的恐怖行为预测方法 |
CN107818339A (zh) * | 2017-10-18 | 2018-03-20 | 桂林电子科技大学 | 一种人类活动识别的方法 |
CN107704888A (zh) * | 2017-10-23 | 2018-02-16 | 大国创新智能科技(东莞)有限公司 | 一种基于联合聚类深度学习神经网络的数据识别方法 |
CN107704888B (zh) * | 2017-10-23 | 2021-04-16 | 大国创新智能科技(东莞)有限公司 | 一种基于联合聚类深度学习神经网络的数据识别方法 |
CN107845424A (zh) * | 2017-11-15 | 2018-03-27 | 海南大学 | 诊断信息处理分析的方法和系统 |
CN107845424B (zh) * | 2017-11-15 | 2021-11-16 | 海南大学 | 诊断信息处理分析的方法和系统 |
CN109840531A (zh) * | 2017-11-24 | 2019-06-04 | 华为技术有限公司 | 训练多标签分类模型的方法和装置 |
CN109840530A (zh) * | 2017-11-24 | 2019-06-04 | 华为技术有限公司 | 训练多标签分类模型的方法和装置 |
CN109840531B (zh) * | 2017-11-24 | 2023-08-25 | 华为技术有限公司 | 训练多标签分类模型的方法和装置 |
CN108197663A (zh) * | 2018-01-23 | 2018-06-22 | 南京大学 | 基于对偶集合多标记学习的书法作品图像分类方法 |
CN108197663B (zh) * | 2018-01-23 | 2022-03-25 | 南京大学 | 基于对偶集合多标记学习的书法作品图像分类方法 |
CN109842614A (zh) * | 2018-12-29 | 2019-06-04 | 杭州电子科技大学 | 基于数据挖掘的网络入侵检测方法 |
CN111160398A (zh) * | 2019-12-06 | 2020-05-15 | 重庆邮电大学 | 一种基于示例级和标签级关联的缺失标签多标签分类方法 |
CN111160398B (zh) * | 2019-12-06 | 2022-08-23 | 重庆邮电大学 | 一种基于示例级和标签级关联的缺失标签多标签分类方法 |
CN112353402A (zh) * | 2020-10-22 | 2021-02-12 | 平安科技(深圳)有限公司 | 心电信号分类模型的训练方法、心电信号分类方法及装置 |
CN112790775A (zh) * | 2021-01-22 | 2021-05-14 | 中国地质大学(武汉) | 基于集成分类的高频振荡节律检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105320967A (zh) | 基于标签相关性的多标签AdaBoost集成方法 | |
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN102314614B (zh) | 一种基于类共享多核学习的图像语义分类方法 | |
US8374442B2 (en) | Linear spatial pyramid matching using sparse coding | |
CN109344815A (zh) | 一种文档图像分类方法 | |
CN108171136A (zh) | 一种多任务卡口车辆以图搜图的系统及方法 | |
CN107506786B (zh) | 一种基于深度学习的属性分类识别方法 | |
CN102156885B (zh) | 基于级联式码本生成的图像分类方法 | |
CN103425996B (zh) | 一种并行分布式的大规模图像识别方法 | |
CN103955702A (zh) | 基于深度rbf网络的sar图像地物分类方法 | |
CN109271991A (zh) | 一种基于深度学习的车牌检测方法 | |
CN103761531A (zh) | 基于形状轮廓特征的稀疏编码车牌字符识别方法 | |
CN103116766A (zh) | 一种基于增量神经网络和子图编码的图像分类方法 | |
CN102156871A (zh) | 基于类别相关的码本和分类器投票策略的图像分类方法 | |
CN109299668A (zh) | 一种基于主动学习和聚类分析的高光谱图像分类方法 | |
CN104463194A (zh) | 一种人车分类方法及装置 | |
Akhand et al. | Convolutional Neural Network based Handwritten Bengali and Bengali-English Mixed Numeral Recognition. | |
CN105930792A (zh) | 一种基于视频局部特征字典的人体动作分类方法 | |
CN110516098A (zh) | 基于卷积神经网络及二进制编码特征的图像标注方法 | |
CN107977670A (zh) | 决策树和贝叶斯算法的突发事件分类分级方法、装置及系统 | |
CN110414587A (zh) | 基于渐进学习的深度卷积神经网络训练方法与系统 | |
CN105956610B (zh) | 一种基于多层编码结构的遥感图像地形分类方法 | |
CN105512675B (zh) | 一种基于记忆性多点交叉引力搜索的特征选择方法 | |
Mazari et al. | Deep temporal pyramid design for action recognition | |
Safdari et al. | A hierarchical feature learning for isolated Farsi handwritten digit recognition using sparse autoencoder |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160210 |