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.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Un nuevo enfoque para estimar la fricción en la lubricación con película fina
Artículo:
Diseño de redes ópticas inalámbricas con flujos de tráfico equitativos
Artículo:
Explotar los comentarios explícitos e implícitos para una clasificación personalizada
Artículo:
Algoritmo iterativo de calibración del error de registro de la velocidad Doppler basado en la optimización de Newton
Artículo:
Sobre la solución del problema de asignación de autovalores para sistemas en tiempo discreto
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.