隨著信息時代的快速發(fā)展,醫(yī)療保健、多媒體檢索和科學研究等領域的混雜和多輸出數(shù)據(jù)量快速增長。由混雜和多輸出數(shù)據(jù)構成的聚類,分類或回歸等任務面臨著巨大的挑戰(zhàn),有效利用混雜魚多輸出數(shù)據(jù)的特征計算樣本之間的距離或相似性是至關重要的。本文圍繞著混雜與多輸出數(shù)據(jù)分類任務的需求,沿著混雜數(shù)據(jù)度量學習方法和多輸出數(shù)據(jù)度量學習方法展開研究,其主要工作和創(chuàng)新點如下。（1）提出了混雜數(shù)據(jù)的多核幾何平均度量學習。該方法通過不同的核函數(shù)分別將數(shù)值型數(shù)據(jù)和符號型數(shù)據(jù)映射到可再生核希爾伯特空間,同時,將度量學習問題轉(zhuǎn)化為求黎曼流形上的兩個點的中心點的問題.為避免過度擬合,優(yōu)化目標通過對稱化的LogDet分歧進行調(diào)整�；趲缀纹骄亩嗪硕攘繉W習算法能得到一個封閉形式的解,該算法在精度和效率兩方面均優(yōu)于已存的度量學習方法。（2）提出了一種用于數(shù)值型和符號型數(shù)據(jù)混雜的的支持向量度量學習框架。幾乎所有現(xiàn)有的算法都側重于定義新的距離度量標準,而不是學習混雜數(shù)據(jù)的有判別性的度量算法。該方法為混雜數(shù)據(jù)定義了樣本對核,然后將度量學習轉(zhuǎn)換為樣本對分類問題。所提出的模型可以通過標準的支持向量機求解器有效地解決。為了考慮數(shù)值和符號數(shù)據(jù)的... 

【文章來源】：天津大學天津市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及研究目的
    1.2 國內(nèi)外研究現(xiàn)狀及分析
        1.2.1 距離度量學習
        1.2.2 混雜數(shù)據(jù)度量學習
        1.2.3 多標記度量學習
    1.3 本文主要研究內(nèi)容與論文結構
        1.3.1 主要研究內(nèi)容
        1.3.2 論文結構
第2章 度量學習方法概述
    2.1 傳統(tǒng)經(jīng)典度量學習方法
    2.2 符號數(shù)據(jù)度量方法
    2.3 混雜數(shù)據(jù)度量學習方法
    2.4 多輸出度量學習方法
第3章 基于幾何平均的混雜數(shù)據(jù)度量學習
    3.1 引言
    3.2 核化的幾何平均度量學習
    3.3 多核幾何平均度量學習
        3.3.1 優(yōu)化
        3.3.2 求解
        3.3.3 加權
    3.4 實驗結果及分析
        3.4.1 數(shù)據(jù)集
        3.4.2 對比算法
        3.4.3 參數(shù)設置
        3.4.4 實驗分析
    3.5 結論
第4章 基于支持向量的混雜數(shù)據(jù)度量學習
    4.1 引言
    4.2 支持向量混雜度量學習
    4.3 多核支持向量混雜度量學習
    4.4 實驗結果及分析
        4.4.1 數(shù)據(jù)集
        4.4.2 對比算法
        4.4.3 參數(shù)設置
        4.4.4 實驗分析
    4.5 結論
第5章 關系對齊度量學習
    5.1 引言
    5.2 問題陳述
    5.3 核回歸框架
        5.3.1 關系對齊學習
        5.3.2 樣本對核定義
        5.3.3 回歸度量學習
    5.4 支持向量回歸度量學習
    5.5 嶺回歸度量學習
    5.6 模型討論
        5.6.1 泛化界誤差分析
        5.6.2 樣本關系函數(shù)
        5.6.3 樣本對選擇
    5.7 實驗結果及分析
        5.7.1 單標記分類
        5.7.2 多標記分類
        5.7.3 標簽分布學習
    5.8 結論
第6章 結語
    6.1 總結
    6.2 展望
參考文獻
發(fā)表論文和參加科研情況說明
致謝


【參考文獻】：
期刊論文
[1]混雜數(shù)據(jù)的多核幾何平均度量學習[J]. 齊忍,朱鵬飛,梁建青.  軟件學報. 2017(11)



本文編號：3472106