李炜

【摘 要】机器学习成为人工智能、模式识别领域的共同研究热点，其理论方法已经被广泛应用于解决实际工程应用及科学领域的复杂问题。随着技术的快速发展，以统计为基础的机器学习受到人们的关注，并在语音、自然语言、视觉等领域获得成功应用。本文主要阐述了机器学习的分类，介绍几种常用的机器学习方法。

【关键词】机器学习分类；人工智能；P-N Leraning

0 概述

机器学习是实现人工智能领域的一个重要的研究分支，其研究的主要内容是实现利用计算机程序让带有处理器及计算功能的机器可以随着经验的增加提高处理问题的性能。目前，机器学习的理论已经被广泛的应用到，如智能视频监控、生物识别、无人驾驶等各个领域。

1 机器学习的发展及分类

机器学习基本上可分为 4 个阶段。第一阶段：上世纪 50 年代到 60 年代中期，系统通过自身不断的学习输入、输出反馈，完善系统参数及本身的性能。第二阶段：从 1960 年代中叶到 70 年代中，该阶段主要是对系统结构的研究，如通过逻辑结构或者图结构来解释描述机器内部结构。第三阶段的时间是从上世纪 70 年代中到 80 年代中期，主要通过研究学习策略和学习方法来提高改善学习的效率，同时引入知识数据库，此阶段机器学习取得了长足的发展； 1986 年至今，神经网络的引入，及人工智能的需要，人们对机器学了得连接机制进行了研究。

目前机器学习领域的研究一般可分四类，即无监督学习、监督学习、半监督学习以及增强学习[1-2]。

1.1 无监督学习

无监督学习是一种自学习的分类方式，对没标记的训练样本进行学习，发掘未知数据间隐藏的结构关系。无监督學习和核密度估计方法非常相似。常用的无监督学习有关联规则学习和聚类学习

1.2 监督学习

监督学习是有人工参与的一种学习。监督学习一般分为 3 步，第一标记样本，第二训练，第三模型概率估计。其大概过程如下：（1）输入样本的特征向量和样本类别标记 ，（2）训练时通过分析样本的特征向量，将预测结果与训练样本的实际标记情况进行比较，（3）调整预测模型，直到预测模型的准确率和预期的准确率相符。

1.3 半监督学习

半监督学习是同时使用以标记的样本数据和未标记的样本数据来实现的一种预测方法，半监督学习分为直推和归纳两种模式。要先用已标记数据训练分类器模型，学习数据的内在结构联系以便有效地对数据进行预测。

1.4 增强学习

增强学习是通过与环境的测试性交互来优化和估计实际动作，来实现序列的决策，输入数据同时作为对模型的反馈。和其他类型学习相比强化学习输入的数据直接反馈到模型，模型同时作出相应的调整，并根据状态变化获得某种强化信号，最终实现与环境的交互。常用的增强学习算法有 Q-Learning 、时间差学习算法等[3]。

2 P-N Learning算法

在2010年，Kalal提出了基于 P-N Learning的运动目标跟踪算法，该算法和其他算法的不同点是对未标记的数据集进行约束和控制通过约束条件。假设各个不同的样本间存在相互独立的关系，大多数的基于学习的跟踪算法。视频图像中，某帧图像的时-空关联，基本上很少是相互独立的。Kalal 等人认为单独目标或背景是具有关联标记的样本图像块。如下图，视频中标记目标的结构约束如轨迹所示，我们可以理解认为所有接近目标轨迹的图像块为背景，距离轨迹较远的图像块为运动目标。

3 混合高斯算法

混合高斯算法认为组成图像的每个像素在一段时间内的状态都称搞死状态分布的，并且每个像素不具有相关性，都是相互独立的，因此每个像素的状态就可以有几个高斯函数模拟组成。该算法可以较为详细的表示图像该坐标点的像素，但是由于其在判定运动目标和背景是采用的二值法，视频环境中阴影的遮挡、树叶的摆动、光照强度的不同都可能影响对运动目标的判断，而且此方法的计算量也较为大，一般情况下都采用基于帧间差分的混合高斯模型，及先对相邻的两帧或几帧视频进行差分，把视频图像分为感兴趣区域和非感兴趣区域，对于感兴趣的区域我们采用混合高斯建模，非感兴趣区域可采用单高斯建模，这样可以提高算法的运行效率，提高算法的响应时间，在实际的应用中有较大的应用价值。

【参考文献】

[1]孙宸.基于半监督在线学习的目标跟踪算法研究[D].[硕士学位论文].上海：上海交通大学，2012.

[2]高文.机载光电平台目标跟踪技术的研究[D].[博士学位论文].北京：中国科学院研究生院，2012.

[3]V.Gullapalli. A comparison of supervised and reinforcement learning methods on a reinforcement learning task[C]. Proceedings of the 1991 IEEE International.

[责任编辑：朱丽娜]endprint