文献

J-GLOBAL ID：201702267879189056   整理番号：17A1392817

半教師付きサポートベクトルマシンを用いた運転スタイルの分類【Powered by NICT】

Driving Style Classification Using a Semisupervised Support Vector Machine

著者 (4件)： Wang Wenshuo (School of Mechanical Engineering, Beijing Institute of Technology, Beijing, China) ,  Xi Junqiang (Department of Mechanical Engineering, Beijing Institute of Technology, Beijing, China) ,  Chong Alexandre (Department of Mechanical Engineering, University of California at Berkeley, Berkeley, CA, USA) ,  Li Lin (Department of Mechanical Engineering, Beijing Institute of Technology, Beijing, China)
資料名： IEEE Transactions on Human-Machine Systems  (IEEE Transactions on Human-Machine Systems)
巻： 47  号： 5  ページ： 650-660  発行年： 2017年 
JST資料番号： W1031A  ISSN： 2168-2291  CODEN： ITHSA6  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 教師つき学習アプローチは,運転スタイル分類のための広く使用されている;が,それらはしばしば大量のラベル付き訓練データの,実世界環境における通常乏しいを必要とする。,データ解析者の間の運転者の行動と分散の不確実性に起因する運転データの膨大な量を標識手動に時間がかかった。この問題を解決するために,半教師つきサポートベクトルマシン(S3VM),半教師つき手法を用いて運転者を分類する少数のラベル付きデータ点に基づく攻撃と正常なスタイルにすることである。最初に,少数のデータクラスタを選択し,k平均クラスタリング法を用いた標識手作業で行っている。,損失関数の特異的微分可能な代理を開発した,これは非凸最適化問題を解くための標準最適化ツールを使用することが可能になった。最も一般的な擬似Newtonアルゴリズムの一つは,すべての訓練データの最適ラベルを割り当てるために使用されている。最後に,種々の量のラベル付きデータからの運転スタイルを分類するためのサポートベクトルマシン法を用いたS3VM法を比較した。実験は内在するS3VM法は約10%の分類精度を改善し,大量のラベルなしデータの間でのみ少数のラベル付きデータクラスタを用いて標識努力を低減できることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 最適化 ,  データ解析 ,  損失関数 ,  *サポートベクトルマシン ,  アルゴリズム ,  不確実性 ,  微分 ,  教師つき学習
準シソーラス用語： ラベルなしデータ ,  分類精度 ,  非凸最適化問題 ,  クラスタリング法 ,  運転データ ,  訓練データ , 【Automatic Indexing@JST】

分類 (3件)： パターン認識  (JE07000S) ,  ニューロコンピュータ  (JC06010Q) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 教師 ,  サポートベクトルマシン ,  スタイル ,  分類