|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
摘要:局部多核学习方法根据样本所在局部空间特性选择特定的核函数组合方式,具有较好的判别能力.本文提出了一种基于局部空间变稀疏约束的多核学习方法,首先依据样本在特征空间的分布情况以软分组的方式将训练数据划分为若干数据子集.以数据子集为单位，根据在相应的局部空间内的核函数相似程度，调整核组合的稀疏程度，使用交替优化的方法进行求解.实验表明本文方法对于区分特征学习和对抗噪声方面具有的优势,因此也使得在图像场景分类问题上的准确率和稳定性得到明显提高.
; A! d8 M# O) h$ \+ f9 J7 `- A# t2 s6 S+ J0 H ]
关键词:多核学习;支持向量机;局部学习;变稀疏约束 G+ w" u, T0 w0 U, A* ]
7 h" x) F/ \/ [
! J( b @. F% T: v- b: `0 g
核方法通过将原始数据映射到高维空间,从而将线性不可分问题在高维空间内变得线性可分,同时避免了在高维空间上进行问题求解.以支持向量机( Sup-port Vector Machine , sVM) 为代表的核方法在解决非线性模式分析问题上取得了很大成功.然而基于单个特征空间的单核方法存在一定局限性.) p, q2 }, O2 A. u9 K
: x( a9 e) ~' \5 q% a& _
a- ~) Q4 Z; x% e+ P$ C4 s2 _1 R, q0 ~, g9 U! v3 Q9 |9 L% u
8 R! {/ V2 D+ H J7 h
n+ b, l, Z( R& g% P+ O
: s2 L; n) O1 p5 [
* U% ?; `" R U; `0 |# r
6 W$ z, O* U. y' Z( W K |
|
/1 
发表于 2021-6-23 09:32
收藏
淘帖
支持！
反对！