Resumen

En muchos campos, como la explotacin petrolfera, es caro obtener datos etiquetados y no se utiliza una gran cantidad de datos no etiquetados de bajo coste. Por lo tanto, es necesario utilizar el aprendizaje semisupervisado para obtener una clasificacin precisa con datos etiquetados limitados y muchos datos sin etiquetar. La mquina de vectores de soporte semisupervisada (S3VM) es el mtodo ms til en el aprendizaje semisupervisado. Sin embargo, el rendimiento del modelo S3VM se degradar cuando el nmero de muestras de las categoras no sea uniforme o tenga muchas muestras sin etiquetar. Por lo tanto, en este artculo se propone una nueva SVM semisupervisada mediante un algoritmo hbrido de optimizacin de ballenas (HWOA-S3VM). En primer lugar, se aade un parmetro de control de compensacin en S3VM para hacer frente a una muestra desigual de categora que puede hacer que S3VM se degrade. A continuacin, se utiliza un algoritmo hbrido de optimizacin de ballenas (HWOA) para optimizar los parmetros del modelo de S3VM con el fin de aumentar la precisin de la clasificacin. Para la mejora de HWOA, se utiliza un mapeo cbico basado en la oposicin para inicializar la poblacin WOA para mejorar la velocidad de convergencia, y se utiliza el efecto bagre para ayudar a WOA a saltar fuera del ptimo local y obtener la capacidad de optimizacin global. En los experimentos, en primer lugar, se prueba el HWOA con 12 funciones de referencia clsicas del CEC2005 y cuatro funciones del CEC2014, comparndolo con los otros cinco algoritmos. A continuacin, se utilizan seis conjuntos de datos UCI para probar el rendimiento de HWOA-S3VM y se compara con los otros cuatro algoritmos. Por ltimo, aplicamos HWOA-S3VM para realizar el reconocimiento de capas de petrleo de tres conjuntos de datos de pozos petrolferos. Estos resultados experimentales muestran que (1) HWOA tiene una mayor velocidad de convergencia y mejor capacidad de bsqueda global que otros algoritmos. (2) El modelo HWOA-S3VM tiene mayor precisin de clasificacin en los conjuntos de datos UCI que otros algoritmos cuando se utilizan datos combinados, etiquetados y no etiquetados como conjunto de datos de entrenamiento. (3) La precisin de reconocimiento y la velocidad del modelo HWOA-S3VM son superiores a las de los otros cuatro algoritmos cuando se aplican en el reconocimiento de capas de aceite.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Campos; Aprendizaje semisupervisado; Máquina de vectores soporte; Algoritmo híbrido de optimización de ballenas; Precisión de la clasificación; Reconocimiento de capas de petróleo.
• Keywords:Fields; Semisupervised learning; Support vector machine; Hybrid whale optimization algorithm; Classification accuracy; Oil layer recognition