快速随机多核学习分类算法

发布时间：2017-08-20 09:28

  本文关键词：快速随机多核学习分类算法

  更多相关文章： 多核学习 极限学习 随机核 经验Rademacher复杂度

【摘要】：多核学习是整合多个子核在一个优化框架内,从而寻求到多个子核之间的一个最佳线性组合,而且多核学习可以获得比单核学习更好的分类性能.受极限学习思想的启发,提出了快速随机多核学习分类方法.当满足极限学习的理论框架时,可以在构造核的过程中,对参数随机赋值,构造一种随机核.可以缩减子核的规模,加快了多核学习的计算时间,并且节省了内存空间,使得多核学习可以处理更大规模的问题.另外,通过使用经验Rademacher复杂度来分析多核学习的一般性误差,从而获得比原有多核学习更高的分类精度.结果表明,与经典的快速多核学习算法相比,文中提供的算法计算更快,占用内存空间更小,分类精度更高.
【作者单位】： 西安电子科技大学智能感知与图像理解教育部重点实验室;
【关键词】： 多核学习 极限学习 随机核 经验Rademacher复杂度
【基金】：国家973计划资助项目(2013CB329402) 国家自然科学基金资助项目(61272282) 新世纪人才计划资助项目(NCET-13-0948)
【分类号】：TP181
【正文快照】： 核学习是机器学习中的重要领域.在分类问题中,如果不同种类的数据混杂在一起,在当前维数空间内,可能无法找到一个分类面对它们加以区分.此时,就需要把原始数据通过一个映射函数投影到氋维空间,在氋维空间内把它们区分开.这种方式称为核学习,又称为核技巧[1].核学习因为其在解，

本文编号：705851