导读:本文包含了多标签论文开题报告文献综述及选题提纲参考文献，主要关键词:图像标注,卷积神经网络,样本不均衡,多标签
多标签论文文献综述
陈立潮,武晨燕,曹建芳,潘理虎,张英俊[1]（2019）在《基于双通道卷积神经网络的多标签图像标注》一文中研究指出针对图像语义标注中存在的训练样本不均衡导致低频标注词标注准确率低的问题,提出一种双通道卷积神经网络模型(double channel convolution neural network,DCCNN)。其中一个通道是为训练低频样本设立的,以此提高低频样本在整个模型中所占比重,另一个通道用于训练全部的训练集。在标注过程中把两个通道的输出进行融合,对所需标注的标注词共同做出决策。在Pascal VOC2012标准数据集上对模型进行验证,实验结果表明,DCCNN模型相对于卷积神经网络(convolution neural network,CNN)无论是对低频标注词的标注准确率还是效率都有很大的提升,验证了该模型的有效性。(本文来源于《计算机工程与设计》期刊2019年12期）
何牧宇,周晖[2]（2019）在《ReliefF-MFO多标签特征选择算法》一文中研究指出为解决启发式算法在多标签特征选择中可以达到较好效果但效率很低的问题,提出一种基于启发式算法的混合特征选择算法。使用ReliefF方法去除不相关特征,采用MFO算法进行特征子集寻优,提高分类器性能的同时达到较高的效率。将所提方法应用于多个典型多标签数据集分类问题并与现有启发式特征选择方法进行对比,实验结果表明了所提算法的有效性。(本文来源于《计算机工程与设计》期刊2019年12期）
李程文,杨念,谭建平[3]（2019）在《基于半监督迁移学习SVM的多标签分类算法》一文中研究指出传统的支持向量机分类模型只有在利用大量已标注数据进行训练才能获得较高精度。在现实研究中,实际产生的数据类型种类繁多,有结构数据和非结构数据等,但都有一个共同特点,大多具有多个标签,因此传统分类算法无法直接应用于多标签分类。文章提出一种基于迁移学习的分类算法,引入迁移学习解决训练数据充分的问题,这种方法在目标域数据集被标注比较少的情况下有着明显的优势;同时为了在训练分类模型的过程中找出对分类起关键作用的信息可以引入半监督学习。(本文来源于《江苏科技信息》期刊2019年32期）
单义栋,王衡军,王娜[4]（2019）在《基于多标签的军事领域命名实体识别》一文中研究指出为了识别军事文本中的军事命名实体,根据军事命名实体的特点,将其分为6类标注。在此基础上,为了进一步解决多嵌套和组合的复合军事命名实体难以识别的问题,对传统的标注方法加以改进,提出了一种基于多标签的标注方法。首先,对复合的军事命名实体做分词处理,使之成为多个最小词组的组合;然后,各部分词组按其在命名实体中的位置做分段标注,各词组中的每个字则在分段标注的基础上,根据其在词组中的位置再做词位标注;最后,将整个标注作为军事命名实体中每个字的标注结果。实验结果表明,该标注方法能够提升军事命名实体的识别效果。(本文来源于《计算机科学》期刊2019年S2期）
朱峙成,刘佳玮,阎少宏[5]（2019）在《多标签学习在智能推荐中的研究与应用》一文中研究指出传统的智能推荐中运用了协同过滤算法,但是它并不能很好地处理用户的评分信息,推荐的质量受存在的数据稀疏性、极端数据的影响。对此,将推荐问题转换为多标签学习问题,文中提出了一种基于HMM模型和用户画像的完备智能推荐系统。首先设立不同的数据处理机制来提高模型的泛化能力,其次为了解决数据稀疏问题,提出反马尔科夫性改进HMM模型,最终构建用户画像对HMM模型的学习经验得到的结果进行筛选,得到最终的推荐服务。实验结果表明,在智能推荐问题中多标签学习有效地提高了推荐准确性和推荐效率。(本文来源于《计算机科学》期刊2019年S2期）
胡天磊,王皓波,尹文栋[6]（2019）在《基于深度双向分类器链的多标签新闻分类算法》一文中研究指出在多标签新闻分类问题中,针对传统分类器链算法难以确定标签依赖顺序、集成模型运行效率低和无法应用复杂模型作为基分类器的问题,提出基于深度神经网络的双向分类器链算法.该方法利用正向分类器链获取每个标签和前面所有标签的依赖关系,引入逆向分类器链,从正向链最后一个基分类器的输出开始反向学习每个标签和所有其他标签的相关性.为了提取非线性标签相关性和提高预测性能,使用深度神经网络作为基分类器.结合2条分类器链的均方误差,使用随机梯度下降算法对目标函数进行有效优化.在多标签新闻分类数据集RCV1-v2上,将所提算法与当前主流的分类器链算法和其他多标签分类算法进行对比和分析.实验结果表明,利用深度双向分类器链算法能够有效提升预测性能.(本文来源于《浙江大学学报(工学版)》期刊2019年11期）
王加伟,张虎,谭红叶,王元龙,赵红燕[7]（2019）在《基于词语语义差异性的多标签罪名预测》一文中研究指出罪名预测是智慧司法领域中的一项重要研究内容,其旨在依据犯罪事实自动预测出犯罪主体触犯的罪名。犯罪事实是案件的真实客观描述,犯罪事实中各词语的语义重要性在不同罪名的判决中有所差异,而现有方法在对犯罪事实建模的过程中往往忽略了这种语义差异性,且缺乏对数罪并罚情形的处理。为此,该文在对犯罪事实的建模过程中将词语的语义差异融入注意力机制;并将数罪并罚情形下的多标签罪名预测转化为多个独立的单标签罪名预测。实验结果表明,该文基于词语语义差异性建模和多标签转化策略均有利于提升罪名预测的效果,在"中国法研杯"2018司法人工智能挑战赛公布的数据集上达到了88.0%的F1值。(本文来源于《中文信息学报》期刊2019年10期）
刘慧婷,冷新杨,王利利,赵鹏[8]（2019）在《联合嵌入式多标签分类算法》一文中研究指出现有的一些多标签分类算法,因多标签数据含有高维的特征或标签信息而变得不可行.为了解决这一问题,提出基于去噪自编码器和矩阵分解的联合嵌入多标签分类算法Deep AE-MF.该算法包括两部分:特征嵌入部分使用去噪自编码器对特征空间学习得到非线性表示,标签嵌入部分则是利用矩阵分解直接学习到标签空间对应的潜在表示与解码矩阵. Deep AE-MF将特征嵌入和标签嵌入的两个阶段进行联合,共同学习一个潜在空间用于模型预测,进而得到一个有效的多标签分类模型.为了进一步提升模型性能,在Deep AE-MF方法中对标签间的负相关信息加以利用.通过在不同数据集上进行实验证明了提出Deep AE-MF方法的有效性和鲁棒性.(本文来源于《自动化学报》期刊2019年10期）
许朝雄,宫亮,杨煜普[9]（2019）在《基于多标签随机森林的固体氧化物燃料电池系统并发故障识别》一文中研究指出为了快速准确地识别SOFC系统的并发故障,将多标签技术和机器学习算法相结合,实现了复杂非线性系统中并发故障数据稀少情况下的故障快速识别。研究了多标签随机森林故障识别方法,通过集成多个随机森林,系统地提升了并发故障的识别率。针对并发故障识别的多维标签输出的特殊性,采用F1-Measure准则来评价多维标签识别精度,从而实现对并发故障的识别精度评价。实验结果表明:多标签并发故障识别框架能够在并发故障训练数据稀少的情况下,高效地识别故障样本。(本文来源于《化工自动化及仪表》期刊2019年10期）
肖雪,刘云[10]（2019）在《嵌入式多标签分类算法的优化研究》一文中研究指出多标签分类中如何有效处理具有许多实例和大量标签的大规模数据集、补偿训练集中缺失标签以及利用未标记实例改进预测性能等问题已成为重要研究方向。提出嵌入式多标签分类(EMC)算法,首先从伪实例参数化的高斯过程(GP)中提取两组随机变换来模拟特征向量、潜在空间表示向量和标签向量之间的非线性关系映射,其次引入一组辅助变量结合专家集成(EEOE)方法补偿缺失标签,最后利用未标记实例学习随机函数的平滑映射提高预测性能。仿真结果表明,与特征识别隐式标签空间编码的多标签分类(FaLE)算法和半监督低秩映射多标签分类(SLRM)算法相比,EMC算法优化了处理大规模数据集、补偿缺失标签及利用未标记数据的能力,从而提高了类标签的预测性能,且具有良好的可扩展性,训练时间短。(本文来源于《北京化工大学学报(自然科学版)》期刊2019年05期）
多标签论文开题报告
（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：
为解决启发式算法在多标签特征选择中可以达到较好效果但效率很低的问题,提出一种基于启发式算法的混合特征选择算法。使用ReliefF方法去除不相关特征,采用MFO算法进行特征子集寻优,提高分类器性能的同时达到较高的效率。将所提方法应用于多个典型多标签数据集分类问题并与现有启发式特征选择方法进行对比,实验结果表明了所提算法的有效性。
（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。
多标签论文参考文献
[1].陈立潮,武晨燕,曹建芳,潘理虎,张英俊.基于双通道卷积神经网络的多标签图像标注[J].计算机工程与设计.2019
[2].何牧宇,周晖.ReliefF-MFO多标签特征选择算法[J].计算机工程与设计.2019
[3].李程文,杨念,谭建平.基于半监督迁移学习SVM的多标签分类算法[J].江苏科技信息.2019
[4].单义栋,王衡军,王娜.基于多标签的军事领域命名实体识别[J].计算机科学.2019
[5].朱峙成,刘佳玮,阎少宏.多标签学习在智能推荐中的研究与应用[J].计算机科学.2019
[6].胡天磊,王皓波,尹文栋.基于深度双向分类器链的多标签新闻分类算法[J].浙江大学学报(工学版).2019
[7].王加伟,张虎,谭红叶,王元龙,赵红燕.基于词语语义差异性的多标签罪名预测[J].中文信息学报.2019
[8].刘慧婷,冷新杨,王利利,赵鹏.联合嵌入式多标签分类算法[J].自动化学报.2019
[9].许朝雄,宫亮,杨煜普.基于多标签随机森林的固体氧化物燃料电池系统并发故障识别[J].化工自动化及仪表.2019
[10].肖雪,刘云.嵌入式多标签分类算法的优化研究[J].北京化工大学学报(自然科学版).2019