典型文献
基于自编码器和超图的半监督宽度学习系统
文献摘要：
常规宽度学习系统(Broad Learning System,BLS)通常采用的线性稀疏特征提取方法难以对数据的复杂非线性特征进行有效表征.此外,当标记样本量较少时,BLS的泛化性能难以得到保证.为此,提出一种基于自编码器和超图的半监督宽度学习系统(Autoencoder and Hypergraph-based Semi-supervised BLS,AH-SBLS).主要步骤为:首先,使用包括标记样本和无标记样本在内的全部样本训练自编码器,利用训练好的自编码器自动提取数据的复杂非线性特征;其次,将自编码器特征层中的特征作为AH-SBLS的特征节点并对其进行宽度拓展;然后,构造半监督超图以挖掘标记样本和无标记样本间的高阶流形关系,并将超图正则项引入宽度学习系统的目标函数中;最后,利用岭回归对目标函数进行求解,实现对无标记样本的类别预测.在图像分类实验上的结果表明,AH-SBLS能够实现半监督分类且获得较高的分类精度.
文献关键词：
半监督;宽度学习系统;自编码器;超图;图像分类
中图分类号：
作者姓名：
王雪松;张翰林;程玉虎
作者机构：
地下空间智能控制教育部工程研究中心,江苏徐州221116;中国矿业大学信息与控制工程学院,江苏徐州221116
文献出处：
引用格式：
[1]王雪松;张翰林;程玉虎-.基于自编码器和超图的半监督宽度学习系统)[J].电子学报,2022(03):533-539
A类：
SBLS
B类：
自编码器,超图,宽度学习系统,Broad,Learning,System,稀疏特征,非线性特征,标记样本,样本量,少时,泛化性能,Autoencoder,Hypergraph,Semi,supervised,AH,无标记,样本训练,练好,自动提取,提取数据,特征节点,行宽,流形,图正则,正则项,岭回归,图像分类,半监督分类,分类精度
AB值：
0.262594
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。
