多视角广义特征值最接近支持向量机

发布时间：2017-03-28 20:03

  本文关键词：多视角广义特征值最接近支持向量机，由笔耕文化传播整理发布。

【摘要】：随着多媒体技术的不断发展,多视角的数据集在现实中是十分常见的。近年来,许多考虑多视角数据的学习方法被相继提出,多视角学习也因此成为了一个比较活跃的研究方向。相比于单视角学习方法,多视角学习方法可以利用不同视角上的特征信息来提高学习性能。广义特征值最接近支持向量机是一种简单且有效的二分类方法,它利用两个超平面来对数据点进行分类。其中每一个超平面离两类数据的其中一类尽量近,离另外一类尽量远。广义特征值最接近支持向量机通过解一对广义特征值问题来获得这两个非平行的超平面。本篇文章主要对广义特征值最接近支持向量机的多视角学习进行了探究,提出了三种不同的多视角学习算法。首先,我们提出了多视角广义特征值最接近支持向量机(Multi-view generalized eigenvalue proximal support vector machine, MvGESVM)。它有效地结合两个视角的特征通过引入一个多视角协同规范化项来最大化不同视角间假设的一致性,然后巧妙地把原来复杂的优化问题转化成一个简单的广义特征值问题。其次,在MvGESVM的基础上,通过用“减”代替“除”来度量两类样本点与超平面之间的距离差带来一个更简单的特征值问题,我们提出了多视角特征值最接近支持向量机(Multi-view eigenvalue proximal support vector machine, MvESVM)。最后,我们提出了基于梯度下降法的多视角特征值最接近支持向量机(Multi-view eigenvalue proximal support vector machine via gradient descent, MvGDSVM)。它通过引入和MvGESVM目同的多视角协同规范化项来结合两个单视角的特征值最接近支持向量机,然后利用梯度下降法来求解优化问题。利用核技巧,我们将线性的MvGESVM,线性的MvESVM和线性的MvGDSVM都泛化到非线性的情况。为了验证本文提出的三种多视角学习算法的有效性,我们在多个UCI数据集上进行了实验。实验结果表明了本文提出算法的有效性。
【关键词】：多视角学习 广义特征值最接近支持向量机 协同规范化 梯度下降
【学位授予单位】：华东师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18
【目录】：

• 摘要6-7
• ABSTRACT7-11
• 第一章 绪论11-16
• 1.1 研究背景与意义11-14
• 1.2 本文主要贡献14-15
• 1.3 论文组织结构15-16
• 第二章 本文研究的相关工作16-21
• 2.1 瑞利商性质16
• 2.2 支持向量机16-18
• 2.3 SVM-2K18-19
• 2.4 多视角学习19-21
• 2.4.1 多视角学习原则19-21
• 第三章 多视角广义特征值最接近支持向量机21-33
• 3.1 广义特征值最接近支持向量机21-25
• 3.1.1 线性的GEPSVM21-23
• 3.1.2 核方法的GEPSVM23-25
• 3.2 多视角广义特征值最接近支持向量机25-29
• 3.2.1 线性的MvGESVM25-27
• 3.2.2 核的MvGESVM27-29
• 3.3 实验29-31
• 3.3.1 数据集介绍和实验设置30-31
• 3.3.2 实验结果分析31
• 3.4 本章小结31-33
• 第四章 多视角特征值最接近支持向量机33-46
• 4.1 特征值最接近支持向量机33-36
• 4.1.1 线性的EPSVM33-35
• 4.1.2 核的EPSVM35-36
• 4.2 多视角特征值最接近支持向量机36-41
• 4.2.1 线性的MvESVM36-38
• 4.2.2 核的MvESVM38-41
• 4.3 实验41-44
• 4.3.1 数据集介绍和实验设置41-42
• 4.3.2 实验结果分析42-44
• 4.4 算法复杂度44-45
• 4.5 本章小结45-46
• 第五章 基于梯度下降法的多视角特征值最接近支持向量机46-56
• 5.1 梯度下降法46-47
• 5.2 基于梯度下降法的多视角特征值最接近支持向量机47-52
• 5.2.1 线性的MvGDSVM47-50
• 5.2.2 核的MvGDSVM50-52
• 5.3 实验52-55
• 5.3.1 数据集介绍和实验设置52-53
• 5.3.2 实验结果分析53-55
• 5.4 本章小结55-56
• 第六章 总结与展望56-58
• 6.1 本文总结56
• 6.2 研究展望56-58
• 参考文献58-62
• 硕士期间的科研成果62-63
• 致谢63

【相似文献】

中国期刊全文数据库 前10条

1 曹志浩;;大型稀疏广义特征值问题的计算方法[J];振动与冲击;1984年01期

2 夏又生;;解广义特征值问题的半分法[J];南京邮电学院学报;1991年04期

3 冯国环 ,石中岳;广义特征值解的波阵逆迭代算法[J];计算机工程与设计;1983年03期

4 邓健新;用Lanczos方法解高阶稀疏矩阵广义特征值问题的某些经验[J];数值计算与计算机应用;1980年03期

5 薛长峰,周树荃;非对称广义特征值问题的并行同伦-行列式算法[J];数值计算与计算机应用;1999年03期

6 杨岳湘,李晓梅;广义特征值问题的多处理机算法[J];计算机工程与设计;1993年02期

7 郑家栋,顾幸;复对称广义特征值问题的广义Jacobi算法[J];计算机应用与软件;1987年03期

8 苏博妮;谢宏;化希耀;;一种基于广义特征值最大化的胎儿心电盲提取算法[J];微型机与应用;2014年09期

9 高福安,高晓宁;动力学反演的迭代过程及应用[J];航空计算技术;2001年03期

10 ;[J];;年期

中国重要会议论文全文数据库 前1条

1 樊久铭;何晓峰;;基于模态区间方法的动力特征值算法研究[A];2010振动与噪声测试峰会论文集[C];2010年

中国硕士学位论文全文数据库 前9条

1 董超;多视角广义特征值最接近支持向量机[D];华东师范大学;2016年

2 吴春辉;结构矩阵的广义特征值问题的分量型条件数[D];东北师范大学;2013年

3 刘红;同伦方法求解广义特征值问题[D];新疆大学;2008年

4 聂永明;对称广义特征值问题的数值求解算法的研究[D];南昌大学;2012年

5 郑青;广义特征值和奇异值问题的统计条件数估计[D];复旦大学;2010年

6 陆昊辉;广义特征值问题中的预处理方法[D];吉林大学;2005年

7 柳春;计算广义特征值问题亏损特征对PUISEUX展开系数的模态法[D];华东理工大学;2014年

8 常静;广义Jacobi矩阵的广义特征值反问题[D];大连交通大学;2010年

9 陈登科;基于自由度缩减方法的结构优化[D];大连理工大学;2010年

  本文关键词：多视角广义特征值最接近支持向量机，由笔耕文化传播整理发布。

，

本文编号：272916