一种基于证据理论的多类半监督分类算法

盛凯; 刘忠; 周德超; 魏启航; 冯成旭

doi:10.3969/j.issn.0372-2112.2018.11.011

您当前的位置：

首页 >

文章列表页 >

一种基于证据理论的多类半监督分类算法

学术论文 | 更新时间：2025-07-16

- 一种基于证据理论的多类半监督分类算法
- A Multi-class Semi-Supervised Classification Algorithm Based on Evidence Theory
- 电子学报 2018年46卷第11期页码：2642-2649
- 作者机构：
  
  1. 海军工程大学兵器工程学院,湖北,武汉,430033
  2. 66029部队, 内蒙古锡林郭勒盟,011216
  3. 海军工程大学兵器工程学院,湖北,武汉,430033
  4. 66029部队内蒙古锡林郭勒盟,011216
- 作者简介：
- 基金信息：
  
  湖北省自然科学基金 (No.2017CFB377）
- DOI：10.3969/j.issn.0372-2112.2018.11.011
  中图分类号： TP391
- 网络出版：2018-11-25，
  
  纸质出版：2018
- 稿件说明：
移动端阅览
盛凯, 刘忠, 周德超, 等. 一种基于证据理论的多类半监督分类算法[J]. 电子学报, 2018,46(11):2642-2649.

SHENG Kai, LIU Zhong, ZHOU De-chao, et al. A Multi-class Semi-Supervised Classification Algorithm Based on Evidence Theory[J]. Acta Electronica Sinica, 2018, 46(11): 2642-2649.
盛凯, 刘忠, 周德超, 等. 一种基于证据理论的多类半监督分类算法[J]. 电子学报, 2018,46(11):2642-2649. DOI： 10.3969/j.issn.0372-2112.2018.11.011.

SHENG Kai, LIU Zhong, ZHOU De-chao, et al. A Multi-class Semi-Supervised Classification Algorithm Based on Evidence Theory[J]. Acta Electronica Sinica, 2018, 46(11): 2642-2649. DOI： 10.3969/j.issn.0372-2112.2018.11.011.

摘要

为了提高多类半监督分类的性能，提出了一种基于证据理论的多类协同森林算法（DSM-Co-Forest）.首先，通过多对多模式将有标记的多类数据随机拆分为多个二类数据集，并以此训练二类基分类器；然后，利用多个基分类器同时对未标记样本进行预测，并利用证据组合算法挑选出可信度较高的未标记样本；最后，将高可信度的未标记样本加入到原训练样本中，以迭代更新其他的基分类器，从而提高分类器的整体性能.通过在一些公共数据集上进行实验，并与其他半监督分类算法进行对比，验证了所提算法的可行性和有效性.

Abstract

In order to improve the performance of multi-class semi-supervised classification

a new multi-class Co-Forest algorithm named DSM-Co-Forest is proposed on the basis of D-S evidence theory. First

through MVM mode

the multi-labeled data set is randomly split into multiple binary-class data set to train the base classifiers; then

these base classifiers are used to pick out the high reliability samples from the unlabeled data set by using the evidence combination algorithm; finally

adds these selected samples to the original training set to iteratively update the base classifiers so as to improve the overall performance of the multi-class classifier. Through comparing with other semi-supervised classification algorithms on several public data sets

the feasibility and validity of the proposed algorithm are verified.

关键词

Keywords

references

浏览量

274

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于可疑像素相互修正的半监督医学图像分割

基于联邦学习的主动半监督短文本分类方法

基于图神经网络的高光谱图像分类研究进展

基于自适应图学习的半监督特征选择