發(fā)布時間：2018-01-04 19:34

  本文關(guān)鍵詞：一種基于樣本加權(quán)的合成多核學(xué)習(xí)方法　出處：《計算機工程與科學(xué)》2017年10期 　論文類型：期刊論文

  更多相關(guān)文章： 多核學(xué)習(xí) 映射 非線性模式 數(shù)據(jù)異構(gòu)

【摘要】：多核學(xué)習(xí)是目前基于內(nèi)核學(xué)習(xí)的機器學(xué)習(xí)領(lǐng)域中的一個新的研究熱點。內(nèi)核學(xué)習(xí)方法可以把數(shù)據(jù)映射到高維空間來增加線性分類器如支持向量機的計算性能,它是目前處理非線性模式識別與分類問題的一種便捷、高效的方法。然而,在某些特殊情況下,基于單一核函數(shù)的內(nèi)核學(xué)習(xí)方法并不能完全有效地處理如數(shù)據(jù)異構(gòu)或者不規(guī)則、樣本規(guī)模大、樣本分布不平坦等實際問題,所以通過將多個核函數(shù)以加權(quán)的形式合成一個核函數(shù),來得到更好的識別精度以及效率,是當前研究的一個發(fā)展趨勢。因此,提出一種基于樣本加權(quán)的合成多核學(xué)習(xí)方法,通過單一核函數(shù)對樣本的擬合以及適應(yīng)能力(對樣本的學(xué)習(xí)精度),對每一個核函數(shù)按照對應(yīng)的擬合以及適應(yīng)能力加權(quán),最終得到基于樣本加權(quán)的合成多核決策函數(shù)。為了驗證基于樣本加權(quán)的合成多核學(xué)習(xí)方法的有效性和可靠性,在多個數(shù)據(jù)集上進行了實驗分析,實驗結(jié)果表明,與已有的多核學(xué)習(xí)方法相比較,本文提出的方法取得了更好的分類結(jié)果。
[Abstract]:Multi-kernel learning is a new research hotspot in the field of machine learning based on kernel learning. Kernel learning method can map data to high-dimensional space to increase the computational performance of linear classifiers such as support vector machines. It is a convenient and efficient method to deal with the problem of nonlinear pattern recognition and classification. However, in some special cases. The kernel learning method based on single kernel function can not deal with such practical problems as heterogeneous or irregular data, large sample size and uneven sample distribution. Therefore, it is a development trend of current research to combine multiple kernel functions into one kernel function in weighted form to obtain better recognition accuracy and efficiency. In this paper, we propose a new learning method based on the weight of samples, which can fit and adapt the samples by a single kernel function (the learning accuracy of the samples). Each kernel function is weighted according to the corresponding fit and adaptability. In order to verify the validity and reliability of the composite multi-core learning method based on sample weighting, the experimental analysis is carried out on multiple datasets, and the experimental results show that the proposed method is effective and reliable. Compared with the existing multicore learning methods, the proposed method achieves better classification results.
【作者單位】： 西北師范大學(xué)計算機科學(xué)與工程學(xué)院;
【基金】：國家自然科學(xué)基金(61163036) 甘肅省高校研究生導(dǎo)師項目(1201-16) 2012年度甘肅省高�；究蒲袠I(yè)務(wù)費專項資金 西北師范大學(xué)第三期知識與創(chuàng)新工程科研骨干項目(nwnu-kjcxgc-03-67)
【分類號】：TP181
【正文快照】： 1　引言支持向量機SVM(Support　Vector　Ma-chine)[1]是基于統(tǒng)計學(xué)習(xí)的理論[2],其中,在VC理論和結(jié)構(gòu)化風(fēng)險最小原理的基礎(chǔ)上實現(xiàn)的機器學(xué)習(xí)[3]方法,可以很好地解決小樣本、高維數(shù)、非線性、局部極小點等實際問題。研究者們對內(nèi)核學(xué)習(xí)方法[4-6]的研究熱情越來越高,線性SVM可以

【相似文獻】

相關(guān)期刊論文 前2條

1 王正武,張瑞平,劉松;BP網(wǎng)絡(luò)的一種改進學(xué)習(xí)方法[J];數(shù)學(xué)理論與應(yīng)用;2005年01期

2 王盈瑛;;一種改進的多主體學(xué)習(xí)方法[J];遼寧大學(xué)學(xué)報(自然科學(xué)版);2007年01期

相關(guān)博士學(xué)位論文 前1條

1 任維雅;圖劃分準則下基于圖的學(xué)習(xí)方法研究[D];國防科學(xué)技術(shù)大學(xué);2015年

相關(guān)碩士學(xué)位論文 前2條

1 張建國;面向軟件自適應(yīng)演化中的強化學(xué)習(xí)方法的研究[D];西安電子科技大學(xué);2014年

2 穆翔;基于模糊近似的強化學(xué)習(xí)方法研究[D];蘇州大學(xué);2014年

，

本文編號：1379820