基于SOM神經(jīng)網(wǎng)絡(luò)的半監(jiān)督分類算法

趙 建 華

(1. 西北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院，陜西 西安 710072; 2. 商洛學(xué)院數(shù)學(xué)與計(jì)算機(jī)應(yīng)用學(xué)院，陜西 商洛 726000)

·計(jì)算機(jī)軟件理論、技術(shù)與應(yīng)用·

基于SOM神經(jīng)網(wǎng)絡(luò)的半監(jiān)督分類算法

趙 建 華1,2

(1. 西北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院，陜西 西安 710072; 2. 商洛學(xué)院數(shù)學(xué)與計(jì)算機(jī)應(yīng)用學(xué)院，陜西 商洛 726000)

為提高半監(jiān)督分類的性能，提出一種基于SOM神經(jīng)網(wǎng)絡(luò)的半監(jiān)督分類算法SSC-SOM。結(jié)合SOM的聚類特性，基于先聚類后標(biāo)記的思想，充分利用有標(biāo)記樣本和未標(biāo)記樣本訓(xùn)練SOM分類器；將聚類的形成和有標(biāo)記樣本分配到各個(gè)聚類中同時(shí)進(jìn)行，并根據(jù)有標(biāo)記樣本計(jì)算各個(gè)聚類的聚類中心；在整個(gè)未標(biāo)記樣本的范圍內(nèi)，根據(jù)聚類中心，使用K近鄰算法對(duì)未標(biāo)記樣本進(jìn)行標(biāo)記，挖掘未標(biāo)記樣本的隱含信息。在UCI數(shù)據(jù)集中進(jìn)行分類實(shí)驗(yàn)，其結(jié)果表明，SSC-SOM的分類率比SSOM提高2.22 %，且收斂性較好。

半監(jiān)督學(xué)習(xí)；自組織特征映射神經(jīng)網(wǎng)絡(luò)；分類；聚類

0 引言

半監(jiān)督學(xué)習(xí)是一種結(jié)合有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的學(xué)習(xí)方法，綜合利用少量有標(biāo)記樣本和大量的未標(biāo)記樣本來提高學(xué)習(xí)性能，是一個(gè)非常熱門的研究方向[1]。半監(jiān)督分類[2-3]利用大量未標(biāo)記數(shù)據(jù)擴(kuò)大分類算法的訓(xùn)練集，主要研究從有監(jiān)督學(xué)習(xí)的角度出發(fā), 當(dāng)已標(biāo)記訓(xùn)練樣本不足時(shí), 如何自動(dòng)地利用大量未標(biāo)記樣本信息輔助分類器的訓(xùn)練。

將自組織神經(jīng)網(wǎng)絡(luò)(self-organizing feature maps,SOM)引入到半監(jiān)督學(xué)習(xí)領(lǐng)域，設(shè)計(jì)基于SOM的半監(jiān)督學(xué)習(xí)算法，是目前學(xué)者涉入較少的一個(gè)課題。孫雁飛等[4]提出一種基于半監(jiān)督學(xué)習(xí)的GA-SOM聚類方法，該方法用半監(jiān)督學(xué)習(xí)進(jìn)行樣本的初始化，利用SOM作為訓(xùn)練器對(duì)無標(biāo)簽樣本進(jìn)行聚類，并申請(qǐng)了專利。……