维数约减和半监督学习研究及在人群数量估计的应用.pdfVIP

摘 要 维数约减和半监督学习一直都是机器学习中两个热门的课题。其中维数约减希望通 过寻找一个有效的投影矩阵将高维空间中的数据投影到低维空间中，同时低维数据还 能保持原数据的有效信息。半监督学习主要应用于样本标签难以获得而样本却大量存 在的场景，未标记样本在什么情况下能够帮助学习以及如何帮助提高学习效率是半监 督学习主要讨论的问题。本文在维数约减方面研究现有两种不同类型的算法，非监督 Dimension 降维方法PCA(Principalcomponentanalysis)和监督降维方法KDR(Kernenl Reduc丘on)，对算法流程进行了仔细研究，并在实际数据集上比较了它们的性能。半监 督学习方面，争对具有时序性的数据设计了能够利用数据时序拓扑关系将未标记样本引 入学习器中帮助学习回归预测函数的半监督弹性网。因此本文的主要工作主要体现在以 下三个方面： ·研究现有人群密度算法，发现特征的有效性对数量估计有很大的影响，因此争对 性的设计了一组能够有效刻画人群数量和密度的内容丰富的特征集合。在两个数 据集上进行试验，验证了其有效性。 ·为了从多方面检验算法，还采集了一个新的人群数量数据集，我们称之 为Fudan人群数据集。与以往数据的不同之处在于，该数据集受光照的影 响，场景更加复杂，更能检验算法的鲁棒性。 ·在数据集上检验我们设计的算法，尽可能提高算法的准确度，另外为了使算法能 够方便地在现实场景中应用，我们还加入半监督算法减少算法需要的人工干预。一． 整体而言，文章的内容不但涉及机器学习算法的基础研究，而且将算法和实际问题 相结合，设计了两套能够准确和实时统计场景中人群数量的系统。从实验的结果来看， 与现有最好的算法相比，我们不但准确更好，而且只需要非常少的人工干预，减少了大 量的人工成本。 关键词：半监督学习，核维数约减，人群密度估计，特征提取 中图分类号： 1 Abstract and inthe DimensionReduction aretwohot do- Semi·SupervisedLearning topics mainofmachine Reductionseekstofinda learning．Dimension appropriateprojection which dimensiondatacanbe toalowdi· matrix，multipliedby originalhigh projected mensionalandstillcontainmostuseful space learning discusshowtouseunlabeleddata US mainly helpingimprovepredictionperformance． Inthiswestudiedtwodifferentkindsofdimensionreductionmethodsand a developed new regression themon datasets semi—supervisedmethod，performpedestriancounting to