基于非线性Logistic模型的改进UDEED算法

doi:10.19678/j.issn.1000-3428.0050800

计算机工程 ›› 2019, Vol. 45 ›› Issue (7): 208-211. doi: 10.19678/j.issn.1000-3428.0050800

基于非线性Logistic模型的改进UDEED算法

庄立纯, 张正军, 张乃今, 李君娣

南京理工大学理学院, 南京 210094

收稿日期:2018-03-15 修回日期:2018-05-04 出版日期:2019-07-15 发布日期:2019-07-23
作者简介:庄立纯(1994-),女,硕士研究生,主研方向为数据挖掘;张正军(通信作者),副教授、博士;张乃今、李君娣,硕士研究生。
基金资助:
国家自然科学基金（61773014）。

Improved UDEED Algorithm Based on Nonlinear Logistic Model

ZHUANG Lichun, ZHANG Zhengjun, ZHANG Naijin, LI Jundi

School of Science, Nanjing University of Science and Technology, Nanjing 210094, China

Received:2018-03-15 Revised:2018-05-04 Online:2019-07-15 Published:2019-07-23

摘要/Abstract

摘要： 针对UDEED算法中线性Logistic模型分类预测准确率较低的问题，基于泰勒展开式，提出一种多项式核的非线性Logistic模型改进算法。研究非线性Logistic模型的核函数参数估计方法，更新损失函数的计算规则，并利用梯度下降法求解改进UDEED模型，实现数据集的分类预测。实验结果表明，与UDEED算法相比，改进算法提高了分类预测的准确率。

关键词: UDEED算法, 非线性Logistic模型, 半监督学习, 无标签数据, 梯度下降

Abstract: To address the problem that the linear Logistic model in the UDEED algorithm has poor classification prediction accuracy,based on Taylor expansion,an improved nonlinear Logistic model algorithm for polynomial kernel is proposed.The estimation method for kernel function parameter of nonlinear Logistic model is studied,and the calculation rules of the loss function are updated.The improved UDEED model is solved by the gradient descent method,and the data set is classified and predicted.Experimental results show that compared with the UDEED algorithm,the improved algorithm improves the accuracy of classification prediction.

Key words: UDEED algorithm, nonlinear Logistic model, semi-supervised learning, unlabeled data, gradient descent

中图分类号:

TP301.6

庄立纯, 张正军, 张乃今, 李君娣. 基于非线性Logistic模型的改进UDEED算法[J]. 计算机工程, 2019, 45(7): 208-211.

ZHUANG Lichun, ZHANG Zhengjun, ZHANG Naijin, LI Jundi. Improved UDEED Algorithm Based on Nonlinear Logistic Model[J]. Computer Engineering, 2019, 45(7): 208-211.

https://www.ecice06.com/CN/Y2019/V45/I7/208

参考文献

[1] SCHAPIRE R E,SINGER Y.Improved boosting algorithms using confidence-rated predictions[C]//Proceedings of the 7th Annual Conference on Computational Learning Theory.New York,USA:ACM Press,1998:80-91.
[2] BREIMAN L.Bagging predictors[J].Machine Learning,1996,24(2):123-140.
[3] WU Xindong,KUMAR V,QUINLAN J R,et al.Top 10 algorithms in data mining[J].Knowledge and Information Systems,2007,14(1):1-37.
[4] 孙博,王建东,陈海燕,等.集成学习中的多样性度量[J].控制与决策,2014(3):385-395.
[5] ZHOU Zhihua.When semi-supervised learning meets ensemble learning[C]//Proceedings of the 8th International Workshop on Multiple Classifier Systems.Berlin,Germany:Springer,2009:529-538.
[6] CHAPELLE O,SCHÖLKOPF B,ZIEN A.Semi-supervised learning[M].Cambridge,USA:MIT Press,2006:217-235.
[7] BLUM A,MITCHELL T.Combining labeled and unlabeled data with co-training[C]//Proceedings of the 7th Annual Conference on Computational Learning Theory.New York,USA:ACM Press,1998:92-100.
[8] DALCHÉ-BUC F,GRANDVALET Y,AMBROISE C.Semi-supervised marginboost[EB/OL].[2017-12-20].http://papers.nips.cc/paper/2108-semi-supervised-marginboost.pdf.
[9] BENNETT K P,DEMIRIZ A,MACLIN R.Exploiting unlabeled data in ensemble methods[C]//Proceedings of the 8th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York,USA:ACM Press,2002:289-296.
[10] 周志华.基于分歧的半监督学习[J].自动化学报,2013,39(11):1871-1878.
[11] LI Ming,ZHOU Zhihua.Improve computer-aided diagnosis with machine learning techniques using undiagnosed samples[J].IEEE Transactions on Systems,Man,and Cybernetics,2007,37(6):1088-1098.
[12] ZHANG Minling,ZHOU Zhihua.Exploiting unlabeled data to enhance ensemble diversity[C]//Proceedings of IEEE International Conference on Data Mining.Washington D.C.,USA:IEEE Computer Society,2010:619-628.
[13] LAMBERT D M,STOCK J R,ELLRAM L M.Fundamentals of logistics management[EB/OL].[2017-12-20].https://bbs.pinggu.org/a-1194068.html.
[14] 苗常青.关于非线性Logistic回归模型的若干讨论[D].扬州:扬州大学,2013.
[15] 徐赢,潘有军.一种预测含水率的非线性Logistic模型[J].油气藏评价与开发,2015(5):22-25.

选择文件类型/文献管理软件名称

选择包含的内容

基于非线性Logistic模型的改进UDEED算法

Improved UDEED Algorithm Based on Nonlinear Logistic Model

RichHTML

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	顾永跟, 高凌轩, 吴小红, 陶杰. 非独立同分布下联邦半监督学习的数据分享研究[J]. 计算机工程, 2024, 50(6): 188-196.
[2]	沈志东, 岳恒宪. 基于分布式扰动的文本对抗训练方法[J]. 计算机工程, 2023, 49(9): 16-22.
[3]	陈仲磊, 伊鹏, 陈祥, 胡涛. 基于集成学习的系统调用实时异常检测框架[J]. 计算机工程, 2023, 49(6): 162-169,179.
[4]	蒋慧凯, 李晓戈, 安晓春, 王甜甜, 阮桁. 面向属性情感分类的无标签数据增强位置感知网络[J]. 计算机工程, 2023, 49(11): 106-114.
[5]	佘朝阳, 严馨, 徐广义, 陈玮, 邓忠莹. 融合数据增强与半监督学习的药物不良反应检测[J]. 计算机工程, 2022, 48(6): 314-320.
[6]	冉懿, 王润年, 潘红伟, 俞海猛, 袁培森. 面向停电分类预测的因子分解机模型[J]. 计算机工程, 2022, 48(5): 98-103,111.
[7]	胡彬, 王晓军, 张雷. 一种半监督对抗鲁棒模型无关元学习方法[J]. 计算机工程, 2022, 48(12): 112-118.
[8]	金柯君, 于洪涛, 吴翼腾, 李邵梅, 操晓春. 基于改进投影梯度下降算法的图卷积网络投毒攻击[J]. 计算机工程, 2022, 48(10): 176-183.
[9]	高伟, 吴顺. 基于多尺度注意力半监督学习的老照片划痕修复[J]. 计算机工程, 2022, 48(10): 245-251,261.
[10]	李博文, 谢在鹏, 毛莺池, 徐媛媛, 朱晓瑞, 张基. 一种基于分布式编码的同步梯度下降算法[J]. 计算机工程, 2021, 47(4): 68-76,83.
[11]	康璐璐, 范兴容, 王茜竹, 杨晓雅, 明蕊. 基于特征组分层与半监督学习的鼠标轨迹识别[J]. 计算机工程, 2021, 47(4): 277-284.
[12]	薛子晗, 潘迪, 何丽. 结合改进密度峰值聚类的LGC半监督学习方法优化[J]. 计算机工程, 2021, 47(2): 77-83,89.
[13]	王晓鹏, 罗威, 秦克, 杨锦涛, 王敏. 一种针对快速梯度下降对抗攻击的防御方法[J]. 计算机工程, 2021, 47(11): 121-128.
[14]	陈建平, 周鑫, 傅启明, 高振, 付保川, 吴宏杰. 基于二阶时序差分误差的双网络DQN算法[J]. 计算机工程, 2020, 46(5): 78-85,93.
[15]	杨静, 徐彦, 赵欣. 带延迟调整的脉冲神经元梯度下降学习算法[J]. 计算机工程, 2019, 45(9): 169-175.

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

基于非线性Logistic模型的改进UDEED算法

Improved UDEED Algorithm Based on Nonlinear Logistic Model

RichHTML

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价