通过非负低秩表示对高光谱图像进行半监督子空间聚类

通过集合选择器进行基于粗糙集的半监督特征选择

多标签分类的半监督低秩映射学习

用于文档聚类的半监督概念分解

最近的研究表明，稀疏表示（SR）可以很好地解决许多计算机视觉问题，并且其内核版本具有强大的分类能力。 在本文中，我们解决了协作SR在半监督图像注释中的应用，该方法可以增加标记图像的数量，以进一步用于训练图像分类器。 给定一组标记的（训练）图像和一组未标记的（测试）图像，通常的SR方法（我们称为正向SR）用于用几个标记的图像表示每个未标记的图像，然后根据这些标记的注释的注释。 但是，就我们所知，SR方法是在相反的方向上进行的，即我们称呼后向SR来用几个未标记图像表示每个标记图像，然后根据标记图像的注释对任何未标记图像进行注释，即未标记图像由后向SR选择表示，到目前为止尚未解决。 在本文中，我们探

基于概率类和不相关判别的半监督局部Fisher方法

内容只有几页 但是关于半监督学习和CO-training算法做了比较简单易懂的解释

半监督matlab代码--经过调试--可用。

在传统的监督学习中，学习器通过对大量有标记的（labeled）训练例进行学习，从而建立模型用于预测未见示例的标记。

matlab代码程序，训练集 测试集代码，优化半监督svm 朴素贝叶斯 等等