论文部分内容阅读
利用构造性学习（ CML）算法训练分类器需要大量已标记样本，然而获取大量已标记的样本较为困难。为此，提出了一种人脑半监督的构造性学习算法（HPSS-CML）。根据已标记样本，通过覆盖算法构造分类网络，对未标记样本进行有选择的标记，并将其加入训练集，调整分类网络参数。重复进行上述过程，直到没有新标记的样本为止，得到最终的分类器。测试阶段再次利用未标记样本对“拒认状态”的测试样本进行标记。最后选取UCI数据集进行实验，结果表明，与CML算法及Tri-CML算法相比，该方法的分类更为有效。