基于成对约束半监督学习的数据相关核优化方法

CORC > 清华大学

	基于成对约束半监督学习的数据相关核优化方法
	王娜 ; 刘国胜 ; 李霞
刊名	http://epub.edu.cnki.net/grid2008/brief/detailj.aspx?filename=MSSB201105014&dbname=CJFQ2011
	2012-04-27 ; 2012-04-27
关键词	成对约束数据相关核半监督学习核主成分分析
中文摘要	核函数及其参数的选择决定着核方法的性能.本文基于半监督学习思想,通过构建一个目标函数,利用无标签数据和成对约束信息来优化核函数,使得核函数尽可能适应数据集,从而改善核函数性能.为验证方法的有效性,将其应用于核主成分分析(KPCA)的核函数优化中,在人工数据和UCI数据集上对KPCA提取特征的分类和聚类性能进行评估,实验结果说明提出方法改进了分类和聚类性能.
语种	中文
其他责任者	深圳大学信息工程学院
内容类型	期刊论文
源URL	[http://ir.calis.edu.cn/hdl/244041/2175]
专题	清华大学
推荐引用方式 GB/T 7714	王娜,刘国胜,李霞. 基于成对约束半监督学习的数据相关核优化方法[J]. http://epub.edu.cnki.net/grid2008/brief/detailj.aspx?filename=MSSB201105014&dbname=CJFQ2011,2012, 2012.
APA	王娜,刘国胜,&李霞.(2012).基于成对约束半监督学习的数据相关核优化方法.http://epub.edu.cnki.net/grid2008/brief/detailj.aspx?filename=MSSB201105014&dbname=CJFQ2011.
MLA	王娜,et al."基于成对约束半监督学习的数据相关核优化方法".http://epub.edu.cnki.net/grid2008/brief/detailj.aspx?filename=MSSB201105014&dbname=CJFQ2011 (2012).