本文關(guān)鍵詞：多視角廣義特征值最接近支持向量機，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著多媒體技術(shù)的不斷發(fā)展,多視角的數(shù)據(jù)集在現(xiàn)實中是十分常見的。近年來,許多考慮多視角數(shù)據(jù)的學習方法被相繼提出,多視角學習也因此成為了一個比較活躍的研究方向。相比于單視角學習方法,多視角學習方法可以利用不同視角上的特征信息來提高學習性能。廣義特征值最接近支持向量機是一種簡單且有效的二分類方法,它利用兩個超平面來對數(shù)據(jù)點進行分類。其中每一個超平面離兩類數(shù)據(jù)的其中一類盡量近,離另外一類盡量遠。廣義特征值最接近支持向量機通過解一對廣義特征值問題來獲得這兩個非平行的超平面。本篇文章主要對廣義特征值最接近支持向量機的多視角學習進行了探究,提出了三種不同的多視角學習算法。首先,我們提出了多視角廣義特征值最接近支持向量機(Multi-view generalized eigenvalue proximal support vector machine, MvGESVM)。它有效地結(jié)合兩個視角的特征通過引入一個多視角協(xié)同規(guī)范化項來最大化不同視角間假設的一致性,然后巧妙地把原來復雜的優(yōu)化問題轉(zhuǎn)化成一個簡單的廣義特征值問題。其次,在MvGESVM的基礎(chǔ)上,通過用“減”代替“除”來度量兩類樣本點與超平面之間的距離差帶來一個更簡單的特征值問題,我們提出了多視角特征值最接近支持向量機(Multi-view eigenvalue proximal support vector machine, MvESVM)。最后,我們提出了基于梯度下降法的多視角特征值最接近支持向量機(Multi-view eigenvalue proximal support vector machine via gradient descent, MvGDSVM)。它通過引入和MvGESVM目同的多視角協(xié)同規(guī)范化項來結(jié)合兩個單視角的特征值最接近支持向量機,然后利用梯度下降法來求解優(yōu)化問題。利用核技巧,我們將線性的MvGESVM,線性的MvESVM和線性的MvGDSVM都泛化到非線性的情況。為了驗證本文提出的三種多視角學習算法的有效性,我們在多個UCI數(shù)據(jù)集上進行了實驗。實驗結(jié)果表明了本文提出算法的有效性。
【關(guān)鍵詞】：多視角學習 廣義特征值最接近支持向量機 協(xié)同規(guī)范化 梯度下降
【學位授予單位】：華東師范大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP18
【目錄】：

• 摘要6-7
• ABSTRACT7-11
• 第一章 緒論11-16
• 1.1 研究背景與意義11-14
• 1.2 本文主要貢獻14-15
• 1.3 論文組織結(jié)構(gòu)15-16
• 第二章 本文研究的相關(guān)工作16-21
• 2.1 瑞利商性質(zhì)16
• 2.2 支持向量機16-18
• 2.3 SVM-2K18-19
• 2.4 多視角學習19-21
• 2.4.1 多視角學習原則19-21
• 第三章 多視角廣義特征值最接近支持向量機21-33
• 3.1 廣義特征值最接近支持向量機21-25
• 3.1.1 線性的GEPSVM21-23
• 3.1.2 核方法的GEPSVM23-25
• 3.2 多視角廣義特征值最接近支持向量機25-29
• 3.2.1 線性的MvGESVM25-27
• 3.2.2 核的MvGESVM27-29
• 3.3 實驗29-31
• 3.3.1 數(shù)據(jù)集介紹和實驗設置30-31
• 3.3.2 實驗結(jié)果分析31
• 3.4 本章小結(jié)31-33
• 第四章 多視角特征值最接近支持向量機33-46
• 4.1 特征值最接近支持向量機33-36
• 4.1.1 線性的EPSVM33-35
• 4.1.2 核的EPSVM35-36
• 4.2 多視角特征值最接近支持向量機36-41
• 4.2.1 線性的MvESVM36-38
• 4.2.2 核的MvESVM38-41
• 4.3 實驗41-44
• 4.3.1 數(shù)據(jù)集介紹和實驗設置41-42
• 4.3.2 實驗結(jié)果分析42-44
• 4.4 算法復雜度44-45
• 4.5 本章小結(jié)45-46
• 第五章 基于梯度下降法的多視角特征值最接近支持向量機46-56
• 5.1 梯度下降法46-47
• 5.2 基于梯度下降法的多視角特征值最接近支持向量機47-52
• 5.2.1 線性的MvGDSVM47-50
• 5.2.2 核的MvGDSVM50-52
• 5.3 實驗52-55
• 5.3.1 數(shù)據(jù)集介紹和實驗設置52-53
• 5.3.2 實驗結(jié)果分析53-55
• 5.4 本章小結(jié)55-56
• 第六章 總結(jié)與展望56-58
• 6.1 本文總結(jié)56
• 6.2 研究展望56-58
• 參考文獻58-62
• 碩士期間的科研成果62-63
• 致謝63

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 曹志浩;;大型稀疏廣義特征值問題的計算方法[J];振動與沖擊;1984年01期

2 夏又生;;解廣義特征值問題的半分法[J];南京郵電學院學報;1991年04期

3 馮國環(huán) ,石中岳;廣義特征值解的波陣逆迭代算法[J];計算機工程與設計;1983年03期

4 鄧健新;用Lanczos方法解高階稀疏矩陣廣義特征值問題的某些經(jīng)驗[J];數(shù)值計算與計算機應用;1980年03期

5 薛長峰,周樹荃;非對稱廣義特征值問題的并行同倫-行列式算法[J];數(shù)值計算與計算機應用;1999年03期

6 楊岳湘,李曉梅;廣義特征值問題的多處理機算法[J];計算機工程與設計;1993年02期

7 鄭家棟,顧幸;復對稱廣義特征值問題的廣義Jacobi算法[J];計算機應用與軟件;1987年03期

8 蘇博妮;謝宏;化希耀;;一種基于廣義特征值最大化的胎兒心電盲提取算法[J];微型機與應用;2014年09期

9 高福安,高曉寧;動力學反演的迭代過程及應用[J];航空計算技術(shù);2001年03期

10 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 樊久銘;何曉峰;;基于模態(tài)區(qū)間方法的動力特征值算法研究[A];2010振動與噪聲測試峰會論文集[C];2010年

中國碩士學位論文全文數(shù)據(jù)庫 前9條

1 董超;多視角廣義特征值最接近支持向量機[D];華東師范大學;2016年

2 吳春輝;結(jié)構(gòu)矩陣的廣義特征值問題的分量型條件數(shù)[D];東北師范大學;2013年

3 劉紅;同倫方法求解廣義特征值問題[D];新疆大學;2008年

4 聶永明;對稱廣義特征值問題的數(shù)值求解算法的研究[D];南昌大學;2012年

5 鄭青;廣義特征值和奇異值問題的統(tǒng)計條件數(shù)估計[D];復旦大學;2010年

6 陸昊輝;廣義特征值問題中的預處理方法[D];吉林大學;2005年

7 柳春;計算廣義特征值問題虧損特征對PUISEUX展開系數(shù)的模態(tài)法[D];華東理工大學;2014年

8 常靜;廣義Jacobi矩陣的廣義特征值反問題[D];大連交通大學;2010年

9 陳登科;基于自由度縮減方法的結(jié)構(gòu)優(yōu)化[D];大連理工大學;2010年

  本文關(guān)鍵詞：多視角廣義特征值最接近支持向量機，由筆耕文化傳播整理發(fā)布。

，

本文編號：272916