人脑分类机理的构造性学习方法.pdf

第 l9卷第 1期 西安文理学院学报(自然科学版) V01．19 No．1 2016年 1月 JournalofXi’anUniversity(NaturalScienceEdition) Jan．2016 文章编号：1008—5564(2016)01-0045-03 人脑分类机理的构造性学习方法 李 萍，赵莎莎 (阜阳师范学院 信息工程学院，安徽 阜阳236041) 摘 要 ：构造性学习(CML)算法训练分类器对有些样本会有 “拒认状态”，构造性学习算法中对这 一 状况的处理使用就近原则 ，然而，这种方法无法体现数据之间的联系．为了能更好地体现数据间的联 系，提出了人脑分类机理的构造性学习方法 (HB—CML)．在测试阶段，把测试样本 、训练样本都考虑进 来，利用人脑对数据的自动分类机理 ，对 “拒认状态”样本进行分类标记．同时，选取 UCI数据集进行实 验．结果表明：与CML算法相比，该方法的分类更为有效． 关键词：构造性机器学习；人脑分类 ；覆盖算法 中图分类号 ：TP18 文献标志码 ：A ConstructiveLearningM ethodBasedon ClassificationM echanism ofHuman Brain LIPing，ZHA0 Sha—sha (SchoolofInformationEngineering，FuyangTeachersCollege，Fuyang236041，China) Abstract：“Refusingtobeclassified”testexampleswillbeproduced usingConstructiveMa— chineLearning(CML)algorithm andtheexampleswillbelabeledaccordingtoprincipleof proximity，howevertheconnectionsbetweendataisignored．Soaconstructivelearningmethod basedonhumanbrainalgorithm (HB—CML)isdesignedtoreflecttheconnectionsbetweenla— beledandunlabeledsamples．Duringthetestingphase，the‘r‘efusingtobeclassified”testex． amplesarelabeledbyautomaticdataclassificationmechanism ofhumanbrainusinglabeledand unlabeledsamples．Atthe same time，experimentisconducted on UCIdatasetand results show thatthealgorithm ismoreeffectivethantheCMLalgorithm． Keywords：constructivemachinelearning；classificationbasedonhumanbrain；coveringalgo— rithm 构造性机器学习通过在样本集 C上寻找一组覆盖簇 ，使这些覆盖簇把不同类别的数据点分隔开 来…．这种方法比较容易构造网络且能高效地处理多分类问题 ．然而，在利用标记样本训练分类器时 无法考虑到测试样本的数据特点及其与标记样本间的数据关系，从而导致在对测试样本进行标记时可 能会出现 “拒认状态”的样本．传统的覆盖算法在对拒认样本进行标记时是按照就近原则进行标记 的， 仍然是只考虑了已标记样本的数据特点，忽略了未标记样本的数据信息，从而影响其分类效率． 收稿 日期 ：2015-07—12 基金项 目：阜阳师范学院校级项 目(2015FSKJ13)；阜阳师范学院信息