發(fā)布時間：2024-03-31 20:01

　　針對工業(yè)、信息等領(lǐng)域出現(xiàn)的基于較大規(guī)模、非平穩(wěn)變化復(fù)雜數(shù)據(jù)的回歸問題,已有算法在計算成本及擬合效果方面無法同時滿足要求.因此,文中提出基于多尺度高斯核的分布式正則化回歸學習算法.算法中的假設(shè)空間為多個具有不同尺度的高斯核生成的再生核Hilbert空間的和空間.考慮到整個數(shù)據(jù)集劃分的不同互斥子集波動程度不同,建立不同組合系數(shù)核函數(shù)逼近模型.利用最小二乘正則化方法同時獨立求解各逼近模型.最后,通過對所得的各個局部估計子加權(quán)合成得到整體逼近模型.在2個模擬數(shù)據(jù)集和4個真實數(shù)據(jù)集上的實驗表明,文中算法既能保證較優(yōu)的擬合性能,又能降低運行時間.

【文章頁數(shù)】：11 頁

【部分圖文】：

圖1分布式學習方法流程圖Fig．1Flowchartofdistributedlearningmethod

參數(shù)記為σt(t=1，2，…，l)，并假設(shè)σ1＜σ2＜…＜σl，其對應(yīng)的核函數(shù)為Kt(x，x')=exp(－x－x'22σ2t)．1．3基于分布式學習的正則化回歸學習算法Zhang等［10］提出基于分布式學習的正則化回歸學習算法(DivideandConquerKernelＲid....

圖2模擬數(shù)據(jù)集1的分布Fig．2Distributionofsimulateddataset1

t∈{2i，i=－6，－5，…，6}，m∈{4i，i=1，1．5，…，4}，λk∈{10i，i=－7，－6，…，3}．將優(yōu)化問題中正則化項λ∑lt=1(vt，s)2fts2Kt的參數(shù)合并，記為正則化組合系數(shù){λk}l×mk=1．對于模擬數(shù)據(jù)1，選取不同大小的樣本，對LSＲＲ、LS....

本文編號：3944431