發(fā)布時間：2017-08-20 09:28

  本文關鍵詞：快速隨機多核學習分類算法

  更多相關文章： 多核學習 極限學習 隨機核 經(jīng)驗Rademacher復雜度

【摘要】：多核學習是整合多個子核在一個優(yōu)化框架內(nèi),從而尋求到多個子核之間的一個最佳線性組合,而且多核學習可以獲得比單核學習更好的分類性能.受極限學習思想的啟發(fā),提出了快速隨機多核學習分類方法.當滿足極限學習的理論框架時,可以在構造核的過程中,對參數(shù)隨機賦值,構造一種隨機核.可以縮減子核的規(guī)模,加快了多核學習的計算時間,并且節(jié)省了內(nèi)存空間,使得多核學習可以處理更大規(guī)模的問題.另外,通過使用經(jīng)驗Rademacher復雜度來分析多核學習的一般性誤差,從而獲得比原有多核學習更高的分類精度.結果表明,與經(jīng)典的快速多核學習算法相比,文中提供的算法計算更快,占用內(nèi)存空間更小,分類精度更高.
【作者單位】： 西安電子科技大學智能感知與圖像理解教育部重點實驗室;
【關鍵詞】： 多核學習 極限學習 隨機核 經(jīng)驗Rademacher復雜度
【基金】：國家973計劃資助項目(2013CB329402) 國家自然科學基金資助項目(61272282) 新世紀人才計劃資助項目(NCET-13-0948)
【分類號】：TP181
【正文快照】： 核學習是機器學習中的重要領域.在分類問題中,如果不同種類的數(shù)據(jù)混雜在一起,在當前維數(shù)空間內(nèi),可能無法找到一個分類面對它們加以區(qū)分.此時,就需要把原始數(shù)據(jù)通過一個映射函數(shù)投影到氋維空間,在氋維空間內(nèi)把它們區(qū)分開.這種方式稱為核學習,又稱為核技巧[1].核學習因為其在解，

本文編號：705851