导读:本文包含了分类置信度论文开题报告文献综述及选题提纲参考文献，主要关键词:卷积神经网络,跨语言,主动学习,自训练
分类置信度论文文献综述
李寻,陈强,张琨,丁昊天,张李林清[1]（2019）在《基于卷积神经网络置信度的跨语言情感分类》一文中研究指出将语料库从一种语言映射到另一种语言是跨语言情感分类的主要方案。为了解决语言术语和写作风格不同导致词汇分布不同从而降低跨语言分类精确度的问题,提出了一种基于卷积神经网络主动学习与自训练相结合的情感分类改进模型。在主动学习部分考虑了未标记样本的置信度度量,避免了离群值的干扰。最后,对3种不同跨语言的书评数据集进行仿真试验表明,与现有方法相比,改进模型可提高跨语言情感分类的性能。(本文来源于《指挥信息系统与技术》期刊2019年05期）
常志玲[2]（2019）在《具有置信度的决策树在客户价值分类中的应用》一文中研究指出客户价值的不同,给企业带来的利益不同,因此客户价值的科学分类成为企业成功的关键。针对客户数据收集的过程中难免会有特殊实例或噪声数据造成数据的不一致性,把变精度粗糙集的分类质量的量度作为信息函数对客户价值进行分析,对两个甚至两个以上属性的分类质量量度相等的特殊情形,选择归属度大于β的分支数目少的属性对客户价值进行分类,最终生成具有置信度的决策树。实验表明,该算法能够有效地处理不一致性数据集,并能合理地将客户价值进行合理分类,供决策者参考。(本文来源于《电脑知识与技术》期刊2019年25期）
严云洋,瞿学新,朱全银,李翔,赵阳[3]（2019）在《基于离群点检测的分类结果置信度的度量方法》一文中研究指出为度量在网络日志中网页分类模型的预测结果,将度量为可信的结果加入网址分类集合,提高网络日志中访问链接的分类效率,提出一种基于离群点检测的分类结果置信度的度量方法.采用基于Bagging构建多个弱分类器对待分类数据进行预测,并对每个预测结果构建各类别的概率向量,根据离群点检测来度量模型的预测结果是否为可信.在UCI公共数据集上,使用主流的基于k均值和基于局部密度的度量方法进行了对比实验.实验结果表明,应用基于离群点检测的分类结果置信度,基于k均值的度量方法和基于局部密度的度量方法均显着提高了准确率.另外,在工程项目爬取的网页分类中也取得了同样的效果.(本文来源于《南京大学学报(自然科学)》期刊2019年01期）
陈旭,黎宇坤,袁华平,刘文印[4]（2017）在《基于分类置信度和网站特征的钓鱼检测系统》一文中研究指出文章构建了URL和网页内容两方面特征,结合机器学习Adaboost算法,训练了两种钓鱼检测模型。系统可根据网址状态智能选择合适的模型,并最终以浏览器插件形式与用户交互。文章提出利用钓鱼检测模型的分类置信度进一步提升系统性能,认为URL检测结果的分类置信度在0.95以上时是可靠的。实验表明,系统的漏警率和虚警率分别为3.59%和2.93%,准确率达到96.75%,可以有效抵御网络钓鱼攻击。(本文来源于《第32次全国计算机安全学术交流会论文集》期刊2017-10-12）
何田中,黄再祥[5]（2014）在《基于多置信度的不平衡数据分类算法》一文中研究指出传统的分类算法通常设置统一的最小置信度提取规则.如果训练数据集是不平衡的数据,统一置信度的分类算法在小类的准确率不高.本文提出了一种基于训练集类分布的多置信度不平衡数据分类算法CBMI.在CBMI算法中,根据训练数据中类的分布设置不同的最小置信度提取规则,小类置信度的临界值比大类置信度低.此外,算法CBMI综合叁种度量选择"好"的属性值.实验结果表明,基于多置信度不平衡数据分类算法CBMI提高了小类数据分类的正确率.(本文来源于《闽南师范大学学报(自然科学版)》期刊2014年04期）
王秀枝,安建成[6]（2013）在《基于支持度和置信度智能优化的关联分类算法》一文中研究指出针对传统关联分类算法中支持度和置信度阈值无法根据问题规模准确设定,导致分类器的分类效果受人为因素影响的缺陷,提出一种基于智能优化思想的关联分类算法。该算法对CBA关联分类算法进行改进,利用模拟退火技术良好的全局搜索能力在解空间内对支持度和置信度阈值进行优化,从而使分类准确率达到全局最优。实验表明,与传统的关联分类算法相比,该方法可以有效地避免阈值设置不合理而影响分类效果的弊端,使分类结果更加精准。(本文来源于《计算机应用与软件》期刊2013年11期）
武永成[7]（2013）在《一种基于分类置信度差异性的协同训练算法》一文中研究指出协同训练是一种流行的半监督学习算法,是目前机器学习和模式识别领域中的一个研究热点.基于差异性的协同训练利用分类器之间的差异性进行相互学习来提供性能.在对各种协同训练算法的分类差异性进行分析总结的基础上,提出了一种基于分类置信度差异最大化的协同训练算法.在12个UCI数据集上的实验表明,该算法优于标准协同训练算法co-training,从而验证了算法的有效性.(本文来源于《湖北民族学院学报(自然科学版)》期刊2013年01期）
唐焕玲,鲁明羽[8]（2011）在《利用置信度重取样的SemiBoost-CR分类模型》一文中研究指出结合半监督学习和集成学习方法,提出了一种基于置信度重取样的SemiBoost-CR分类模型。给出了基于标注近邻与未标注近邻的置信度计算公式,按照置信度重采样,不仅选取一定比例置信度较高的未标注样本,而且选取一定比例置信度较低的未标注样本,分别以不同的策略加入到已标注的训练样本集。引入置信度高的未标注样本,用以提高基分类器的正确性(accuracy);而引入置信度低的未标注样本,目的则是进一步增加基分类器间的差异性(diversity)。对比实验表明,SemiBoost-CR分类模型能够有效提升Naive Bayesian文本分类器的性能。(本文来源于《计算机科学与探索》期刊2011年11期）
许庆晗,金立左,费树岷[9]（2011）在《采用置信度加权学习的相关向量机分类算法》一文中研究指出相关向量机(RVM)是一种通过贝叶斯推断在核空间建立稀疏线性模型的机器学习方法。在求解分类问题时,为了避免不可分或误标记训练样本对RVM分类精度的影响,提出一种训练方法。在训练得到RVM模型后,用置信度加权(Confidence weighted)算法重新对权值进行学习。CW算法通过计算当前样本对已有模型的置信度,判断是否用当前样本更新权值。利用这一特性在训练时只挑选部分训练集用于训练。结果表明:本算法保持了RVM的稀疏性,其分类能力比标准RVM的有所提高。(本文来源于《2011年中国智能自动化学术会议论文集（第一分册）》期刊2011-08-05）
麻文华,黄磊,刘昌平[10]（2011）在《基于置信度分析的人群密度等级分类模型》一文中研究指出人群密度等级估计是智能人群监控的核心技术之一.其主要应用是统计监控图像或视频中指定监控区域内的人群密度量化等级.文中提出一种基于置信度分析的人群密度等级分类模型.首先设计基于二叉树分类思想的纠错输出编码,优化组合多个二分类器.然后提取置信样本,训练SVM二分类器.最后利用信道传输模型进行解码,依据后验概率最大法则得到样本所属的人群密度等级.该模型在样本集和特征相同的前提下分类正确率和泛化性能均优于传统分类模型,为以人群密度估计为代表的多类分类问题求解提供一种思路.(本文来源于《模式识别与人工智能》期刊2011年01期）
分类置信度论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
客户价值的不同,给企业带来的利益不同,因此客户价值的科学分类成为企业成功的关键。针对客户数据收集的过程中难免会有特殊实例或噪声数据造成数据的不一致性,把变精度粗糙集的分类质量的量度作为信息函数对客户价值进行分析,对两个甚至两个以上属性的分类质量量度相等的特殊情形,选择归属度大于β的分支数目少的属性对客户价值进行分类,最终生成具有置信度的决策树。实验表明,该算法能够有效地处理不一致性数据集,并能合理地将客户价值进行合理分类,供决策者参考。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
分类置信度论文参考文献
[1].李寻,陈强,张琨,丁昊天,张李林清.基于卷积神经网络置信度的跨语言情感分类[J].指挥信息系统与技术.2019
[2].常志玲.具有置信度的决策树在客户价值分类中的应用[J].电脑知识与技术.2019
[3].严云洋,瞿学新,朱全银,李翔,赵阳.基于离群点检测的分类结果置信度的度量方法[J].南京大学学报(自然科学).2019
[4].陈旭,黎宇坤,袁华平,刘文印.基于分类置信度和网站特征的钓鱼检测系统[C].第32次全国计算机安全学术交流会论文集.2017
[5].何田中,黄再祥.基于多置信度的不平衡数据分类算法[J].闽南师范大学学报(自然科学版).2014
[6].王秀枝,安建成.基于支持度和置信度智能优化的关联分类算法[J].计算机应用与软件.2013
[7].武永成.一种基于分类置信度差异性的协同训练算法[J].湖北民族学院学报(自然科学版).2013
[8].唐焕玲,鲁明羽.利用置信度重取样的SemiBoost-CR分类模型[J].计算机科学与探索.2011
[9].许庆晗,金立左,费树岷.采用置信度加权学习的相关向量机分类算法[C].2011年中国智能自动化学术会议论文集（第一分册）.2011
[10].麻文华,黄磊,刘昌平.基于置信度分析的人群密度等级分类模型[J].模式识别与人工智能.2011