基于Cotraining的烟草原料数据优化分析

计算机与现代化 ›› 2010, Vol. 1 ›› Issue (02): 176-179.doi:

基于Cotraining的烟草原料数据优化分析

卢加磊1，朱世华2，丁香乾3，黄跃华2

1.中国海洋大学信息科学与工程学院，山东青岛 266071； 2. 红塔烟草（集团）有限责任公司，云南玉溪 653100; 3.中国海洋大学信息工程中心，山东青岛 266071

收稿日期:2009-07-08 修回日期:1900-01-01 出版日期:2010-02-12 发布日期:2010-02-12

Optimized Analysis of Tobacco Materials Data Based on Cotraining

LU Jialei1,ZHU Shihua2,DING Xiangqian3,HUANG Yuehua2

1.Department of Information and Engineering, Ocean University of China, Qingdao 266071, China; 2. Hongta Tobacco (Group) Co., Ltd., Yuxi 653100, China;3.Information and Engineering Center, Ocean University of China, Qingdao 266071, China

Received:2009-07-08 Revised:1900-01-01 Online:2010-02-12 Published:2010-02-12

摘要/Abstract

摘要：

本文根据烟草行业对原料数据综合分析的实际需要，结合机器智能学科中半监督体系内的Cotraining方法进行理论和应用分析。本文在理论分析的基础上得到Cotraining方法应用于烟草原料数据优化分析的机器学习模型，并且通过实验数据的总结验证和与其他算法的比较，表明此算法模型具有一定优越性的结果。

关键词: 半监督学习, 协同训练, 期望最大化, 朴素贝叶斯算法, 烟草数据分析

Abstract:

This thesis combins the two important studies machine intelligence and tabacco industry to solve insdustial material analysing research subjects. The author explains the theoretical and applied analysis of the cotraining algorithm which belongs to semisupervised learning framwork. Based on analysis of the theroy and need of tobacoo industy, the author constructs a machine learning model based on cotrainging which apply to optimized analysis of tobacco materials data. Some experiments are done to verify the correctness and superiority compared to other methods.

[WTHZ]Key words:[WTBZ]

Key words: semisupervised learning, cotraining, EM, Nave Bayes, analysis of tabacco materials

卢加磊朱世华丁香乾黄跃华. 基于Cotraining的烟草原料数据优化分析[J]. 计算机与现代化, 2010, 1(02): 176-179.

LU Jialei;ZHU Shihua;DING Xiangqian;HUANG Yuehua. Optimized Analysis of Tobacco Materials Data Based on Cotraining[J]. Computer and Modernization, 2010, 1(02): 176-179.

[1]	刘缨杰, 兰海, 魏宪. 基于卷积与稀疏编码的半监督学习方法[J]. 计算机与现代化, 2022, 0(11): 9-16.
[2]	赵延平, 王芳, 夏杨. 基于支持向量机的短文本分类方法[J]. 计算机与现代化, 2022, 0(02): 92-96.
[3]	张东方, 陈海燕, 袁立罡. S2R2:基于相关性与冗余性分析的半监督特征选择[J]. 计算机与现代化, 2021, 0(09): 113-120.
[4]	吴克介, 许金, 陈清, 张翼. 瓦斯抽采数据预处理技术及达标评判应用[J]. 计算机与现代化, 2020, 0(06): 46-.
[5]	马吉科,尹飞,祝永晋,豆龙龙,李剑. 一种应用半监督学习的计量装置运行状态辨识方法[J]. 计算机与现代化, 2020, 0(03): 82-.
[6]	张磊. 特定领域的命名实体识别方法的研究[J]. 计算机与现代化, 2018, 0(03): 60-.
[7]	张伟莉1,2,黄廷磊1,梁霄1. 基于半监督协同训练的百科知识库实体对齐[J]. 计算机与现代化, 2017, 0(12): 88-93.
[8]	古平,吴庭君,文静云. 基于概念与词根双特征互助文本分类模型[J]. 计算机与现代化, 2015, 0(8): 93-97.
[9]	武永成. 基于多视图未标记数据的机器学习[J]. 计算机与现代化, 2013, 1(3): 96-98.
[10]	张夏欢;李玉鑑;张晨光. 正例半监督学习眉毛图像分割[J]. 计算机与现代化, 2012, 1(9): 127-133.
[11]	王凯;魏善沛;章景. 数据挖掘技术在医疗费用异常检测中的应用[J]. 计算机与现代化, 2012, 1(03): 194-196.
[12]	吴晶赵锐;梅林. 基于SIFT特征的Mean Shift目标标定算法 [J]. 计算机与现代化, 2010, 1(12): 1-7.