【摘要】分类是模式识别的关键问题之一,根据样本所属的标签个数可分为单标签分类和多标签分类,多标签分类在实际应用中相当广泛。多标签分类是指通过训练集的己知样本,建立相应模型,使测试集的每一个样本能够同时对应多个样本标签所进行的分类。已有的RBF神经网络算法并未充分考虑多个样本标签之间的关联性,从而导致泛化性能受到一定程度的影响。针对此问题,本文设计了改进型RBF神经网络的多标签算法,并在公共多标签数 […]

【摘要】在机器学习领域,传统的分类问题已经得到了广泛的研究。但是多标签数据的普遍存在性和重要性直到近些年来才逐渐得到人们的关注。实际中的许多重要应用,比如商品或服务推荐,排序搜索结果,基因选择等最终都可以归结为标签排序问题。与传统的分类问题相比,标签排序是一个更为复杂的学习问题,它不仅是要预测出样本所属的类别,而且需要将这些可能的类别根据偏好程度进行一个排序。因此,相比与分类问题,标签排序问题的求 […]

【摘要】目的在多标签有监督学习框架中,构建具有较强泛化性能的分类器需要大量已标注训练样本,而实际应用中已标注样本少且获取代价十分昂贵。针对多标签图像分类中已标注样本数量不足和分类器再学习效率低的问题,提出一种结合主动学习的多标签图像在线分类算法。方法基于min-max理论,采用查询最具代表性和最具信息量的样本挑选策略主动地选择待标注样本,且基于KKT(Karush-Kuhn-Tucker)条件在线 […]