论文部分内容阅读
现代数字化技术的急遽发展，使得Web成为信息发布、交互及获取的主要工具。面对Web上的海量信息，如何从中自动发现、抽取、过滤有用信息成为迫切需要解决的问题。在科学研究和商业领域也面临着同样的问题。基于谱图理论的谱图分割方法正是解决这一问题的有效方法。本文针对机器学习领域中的一个研究热点——谱图理论在机器学习中的应用进行了研究，本文主要的研究内容和创新成果如下：1.在对自动确定聚类数的谱聚类算法的研究中，提出了一种简单容易实现的可以自动确定聚类数的谱聚类算法ACNA算法。与同类算法相比，该算法确定聚类数和得到相应聚类的过程都比较简单，确定的聚类数比较合适，聚类结果也比较令人满意。
2.在面向文本分类的谱学习算法的研究中，提出了一种基于支持向量机的谱学习算法SLABS算法。实验比较结果表明，谱学习算法与支持向量机算法相比，特别是在训练集较小的情况下，前者性能明显高于后者。同样以支持向量机作为后期分类器的SLABS算法和Kamveretal.算法之间的比较表明，SLABS算法与Kamveretal.算法具有同样优良的文本分类性能。
3.在面向图像分割的谱学习算法的研究中，我们将ACNA算法改进后应用于图像分割，并与同类算法比较。实验结果表明，ACNA算法对于图像分割同样可以得到比较适合的聚类数，并能给出稳定的分割结果。我们将ACNA算法应用于电脑刺绣系统，得到了满意的刺绣图像的分割处理结果。