李　萍， 赵莎莎

(阜阳师范学院 信息工程学院，安徽 阜阳 236041)



人脑分类机理的构造性学习方法

李萍， 赵莎莎

(阜阳师范学院 信息工程学院，安徽 阜阳 236041)

摘要：构造性学习(CML)算法训练分类器对有些样本会有“拒认状态”，构造性学习算法中对这一状况的处理使用就近原则，然而，这种方法无法体现数据之间的联系.为了能更好地体现数据间的联系，提出了人脑分类机理的构造性学习方法(HB-CML).在测试阶段，把测试样本、训练样本都考虑进来，利用人脑对数据的自动分类机理，对“拒认状态”样本进行分类标记.同时，选取UCI数据集进行实验.结果表明：与CML算法相比，该方法的分类更为有效.

关键词：构造性机器学习；人脑分类；覆盖算法

构造性机器学习通过在样本集C上寻找一组覆盖簇，使这些覆盖簇把不同类别的数据点分隔开来[1].这种方法比较容易构造网络且能高效地处理多分类问题[2].然而，在利用标记样本训练分类器时无法考虑到测试样本的数据特点及其与标记样本间的数据关系，从而导致在对测试样本进行标记时可能会出现“拒认状态”的样本.传统的覆盖算法在对拒认样本进行标记时是按照就近原则进行标记的，仍然是只考虑了已标记样本的数据特点，忽略了未标记样本的数据信息,从而影响其分类效率.

Zhu等人经过研究发现，人脑在对空间中的样本进行分类时，自觉地考虑了未标记样本的空间位置，可以说是一种半监督分类模式[3].考……