【摘要】：基于不确定性的采样方法是指迭代学习过程，分类器在所有备选的样本集中选取其分类结果最不确定性的样本（集），并将这些样本反馈给用户对其类别进行标记，然后扩充到当前训练样本继续分类。综上所述，由于MS算法具有操作简单和对SVM分类器适用性强的优点，本研究以MS算法为基础，提出了基于多类不确定性—边缘采样的主动学习算法，提高单次采集多个样本间的多样性，解决了复杂灾场环境样本选择的问题。
基于不确定性的采样方法是指迭代学习过程，分类器在所有备选的样本集中选取其分类结果最不确定性的样本（集），并将这些样本反馈给用户对其类别进行标记，然后扩充到当前训练样本继续分类。该类算法主要可以概括为3种类型：委员会采样法（CBH）（Freund等，1997；Seung等，1992）、边缘采样法（MS）（Campbell等，2000；Schohn和Cohn，2000）和概率采样法（PBH）（Luo等，2004；Roy和McCallum，2001）。其中，MS算法主要针对SVM分类器设计，其设计思想为：某次分类后，距离SVM所有类对应的超平面距离最近的样本，其分类结果的不确定性最大而被标记出来。委员会法在利用多个分类器的分类研究中应用广泛，其设计思想为：采用多个不同的分类器同时对当前训练样本进行分类，多个分类器的分类结果一致性最差的样本被认为不确定性最大而被选择出来。在该类采样方法中，EQB法应用较为广泛（Tuia等，2009）。与上述两种方法不同，基于概率的采样方法是选取能够引起总体样本分类后验概率变化最大的样本，该方法假设样本的类别服从某种分布规律，常用的方法有KL-Max（Roy和McCallum，2001）和Breaking Ties（Luo等，2004）。综上所述，由于MS算法具有操作简单和对SVM分类器适用性强的优点，本研究以MS算法为基础，提出了基于多类不确定性—边缘采样的主动学习算法（MCLU-MS），提高单次采集多个样本间的多样性，解决了复杂灾场环境样本选择的问题。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
