一种基于样本加权的合成多核学习方法

发布时间：2018-01-04 19:34

本文关键词：一种基于样本加权的合成多核学习方法　出处：《计算机工程与科学》2017年10期 　论文类型：期刊论文

【摘要】：多核学习是目前基于内核学习的机器学习领域中的一个新的研究热点。内核学习方法可以把数据映射到高维空间来增加线性分类器如支持向量机的计算性能,它是目前处理非线性模式识别与分类问题的一种便捷、高效的方法。然而,在某些特殊情况下,基于单一核函数的内核学习方法并不能完全有效地处理如数据异构或者不规则、样本规模大、样本分布不平坦等实际问题,所以通过将多个核函数以加权的形式合成一个核函数,来得到更好的识别精度以及效率,是当前研究的一个发展趋势。因此,提出一种基于样本加权的合成多核学习方法,通过单一核函数对样本的拟合以及适应能力(对样本的学习精度),对每一个核函数按照对应的拟合以及适应能力加权,最终得到基于样本加权的合成多核决策函数。为了验证基于样本加权的合成多核学习方法的有效性和可靠性,在多个数据集上进行了实验分析,实验结果表明,与已有的多核学习方法相比较,本文提出的方法取得了更好的分类结果。
[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.
【作者单位】：西北师范大学计算机科学与工程学院;
【基金】：国家自然科学基金(61163036) 甘肃省高校研究生导师项目(1201-16) 2012年度甘肃省高校基本科研业务费专项资金西北师范大学第三期知识与创新工程科研骨干项目(nwnu-kjcxgc-03-67)
【分类号】：TP181
【正文快照】： 1　引言支持向量机SVM(Support　Vector　Ma-chine)[1]是基于统计学习的理论[2],其中,在VC理论和结构化风险最小原理的基础上实现的机器学习[3]方法,可以很好地解决小样本、高维数、非线性、局部极小点等实际问题。研究者们对内核学习方法[4-6]的研究热情越来越高,线性SVM可以

【相似文献】