半监督典型相关分析算法

极化合成Kong径雷达(PolSAR)满足了全天无光照,不受天气等原因获取图像的要求,因此已广泛应用于军事和民用生活。 PolSAR图像包含大量信息。 其处理和解释在国防建设和经济发展中起着越来越重要

当对大量的标记数据集合(如ImageNet)进行训练时,深度神经网络展示了它们在特殊监督学习任务(如图像分类)上的卓越表现。

与无监督聚类相比，半监督聚类是利用一部分先验信息来更好地挖掘和理解数据的内在结构，并紧密遵从用户的偏好。现有的典型半监督聚类算法仅仅适合于低维数据，文中提出一种新颖的基于判别分析的半监督聚类算法来解决

提出一个基于集对分析的半监督ISODATA聚类算法，用于网络异常检测。在三方面进行了改进：首先，算法能够直接处理字符数字混合属性的数据，并使用集对分析来计算数据记录之间的距离；其次，算法同时处理有标号

风控&反欺诈行业技术对比阶段图，从差异化角度说明在不同阶段技术方案的不同。

基于分布式爬虫采集互联网公开来源的金融类新闻和文档类文本基于文本挖掘技术进行无监督半监督学习的数据ETL与特征工程基于金融数据挖掘技术进行宏观经济分析基本面分析与行业分析

传统半监督非参核学习方法通常基于流形假设和成对约束信息建立学习模型。但是，这种模型对于某些复杂高维稀疏的数据而言算法复杂性较高。为了解决复杂高维稀疏数据核学习问题，提出一种基于稀疏自编码的非参核学习算

针对标记数据不足的多标签分类问题,提出一种新的半监督Boosting算法,即基于函数梯度下降方法给出一种半监督Boosting多标签分类的框架,并将非标记数据的条件熵作为一个正则化项引入分类模型。实验

为解决传统协同过滤算法中用户评分数据稀疏性，忽视物品及用户特征，所带来的推荐质量下降的问题，提出了一种基于安全的、高置信度的半监督方法的协同过滤推荐算法，采用安全的，高置信度的半监督方法S4VM对没有

论文范文基于领域知识的半监督聚类算法研究 基于领域知识的半监督聚类算法研究 第一章 绪论数据挖掘(又称知识发现)是近年来人工智能领域研究中的一个热点课题它指从大量收集的数据中挖掘出未知的非平凡的有潜在