典型文献
基于主动学习和最优路径森林的管道故障分类识别方法
文献摘要：
在工业故障分类过程中有标记样本数量少而人工标注成本高会导致分类器精度难以提高,而大量包含丰富信息的无标记样本却没有得到充分利用.针对上述问题,提出了一种结合主动学习(AL)和最优路径森林算法(OPF)的半监督故障分类模型(AL-OPF).该方法首先利用BvSB和余弦相似度准则综合衡量样本的价值量,以排序批处理模式筛选价值高的样本,并获取其标签扩充初始标记样本集,然后通过构建最优路径森林实现半监督标签传播,最后在实验室采集得到的管道故障样本集上进行实验验证.实验结果表明,该方法能在有标签样本为10％的情况下达到96.68％的整体识别准确率,与逐个采样模式的主动学习方法以及基于距离度量提取训练样本全局结构信息的半监督方法相比,所提出方法拥有更高的Recall值和F1-score 值.
文献关键词：
主动学习;最优路径森林;半监督;故障分类
中图分类号：
作者姓名：
李恬;冯早;朱雪峰
作者机构：
昆明理工大学信息工程与自动化学院 昆明 650500;云南省人工智能重点实验室 昆明 650500
文献出处：
引用格式：
[1]李恬;冯早;朱雪峰-.基于主动学习和最优路径森林的管道故障分类识别方法)[J].电子测量与仪器学报,2022(12):67-76
A类：
最优路径森林,BvSB
B类：
主动学习,管道故障,故障分类识别,分类过程,标记样本,样本数量,高会,分类器,大量包,无标记,AL,OPF,半监督,分类模型,余弦相似度,价值量,批处理,处理模式,样本集,标签传播,下达,识别准确率,逐个,采样模式,基于距离,距离度量,训练样本,全局结构信息,监督方法,Recall,score
AB值：
0.365204
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
