基于多核学习的高性能核分类方法研究

核论文 多核学习论文 分类器设计论文 Nystr(o|¨)m逼近论文 随机投影论文 模式分类论文
论文详情
分类器设计是模式识别的主要研究方向之一。一个有效的分类器设计方法可以使识别过程事半功倍。核方法是一种有效的分类方法。但是,传统的核方法是基于单个核的,而单个核函数无法有效描述模式的特征,这就引出了基于多个核的高性能核分类方法研究。多核分类器学习方法期望通过融合多个核函数来尽可能详尽地描述模式的多种特征,在处理多源异构数据集时显得既稳定又灵活。由于在融合多个核函数的过程中存在大量的计算,现有的多核分类器学习算法存在计算复杂度高和占用内存空间大等问题。本文将Nystrom逼近和随机投影的思想应用于多核分类器学习算法之中,力图在保证分类正确率不变差的前提下降低空间和时间复杂度,设计出高性能的多核学习算法。本文的主要工作如下:(1)提出了一种新的融合多个核矩阵的多核学习算法。该算法从整体样本集中随机选取一部分样本,然后使用Nystrom逼近算法求出原始核矩阵的近似矩阵,根据每个核矩阵的近似误差确定多个核矩阵的组合系数,最终将这些近似核矩阵组合起来。Nystrom逼近算法一方面降低了核矩阵的计算复杂度,另一方面也给出了一种直观的多个核矩阵组合方法。我们将这种算法及其多核分类器应用于人造数据和机器学习数据库的判别分析之中,取得了较为理想的实验效果。(2)提出了一种基于随机投影的显式核映射多核学习算法。随机投影可以在降低样本维数的同时保持不同类别在特征空间的近似可分性。正是利用这一特性,我们将随机投影理论与现有的多核学习算法MutliK-MHKS相结合,在构造核矩阵的过程中,利用随机选择的部分样本集构造显式核映射。由于随机投影后的样本维数降低,计算复杂度也随之下降,同时随机投影的近似可分性保证了多核分类器的分类正确率依然得到明显提高。本文提出的两种多核分类器学习算法在一定程度上缓解了分类正确率与计算复杂度之间的矛盾。与传统的多核分类器学习算法相比,所设计的分类器在降低时间和空间复杂度的同时依然保持了较高的分类正确率。理论分析和仿真实验都证明了本文所设计的多核分类器学习算法的优越性。
摘要第5-6页
Abstract第6-7页
第1章 绪论第10-15页
    1.1 研究背景及意义第10页
    1.2 多核分类的研究现状第10-14页
        1.2.1 分类器的发展第10-11页
        1.2.2 核方法第11-12页
        1.2.3 多核学习第12-13页
        1.2.4 多核学习的效率问题第13-14页
    1.3 研究内容及章节安排第14-15页
第2章 核方法的理论基础第15-32页
    2.1 支持向量机第15-24页
        2.1.1 线性分类器第15-16页
        2.1.2 间隔最大化分类器第16-18页
        2.1.3 支持向量及对偶优化第18-20页
        2.1.4 核方法第20-24页
    2.2 多核学习模型第24-26页
    2.3 典型的多核学习分类器第26-31页
        2.3.1 核Fisher判别分析(Kernel FDA)第26-29页
        2.3.2 多核FDA转化为SDP求解第29-31页
        2.3.3 多核FDA转化为QCQP和SILP求解第31页
    2.4 本章小结第31-32页
第3章 基于Nystrom逼近的多核分类器学习算法第32-52页
    3.1 引言第32-33页
    3.2 KDA算法框架第33-35页
    3.3 Nystrom逼近算法第35页
    3.4 基于Nystrom逼近的多核分类器学习算法第35-39页
        3.4.1 算法设计第36-38页
        3.4.2 复杂度分析第38-39页
    3.5 实验第39-51页
        3.5.1 实验设置第39-40页
        3.5.2 人工数据集验证结果第40-42页
        3.5.3 UCI数据集实验结果第42-44页
        3.5.4 实验参数的进一步讨论第44-51页
    3.6 本章小结第51-52页
第4章 基于随机投影的多核分类器学习算法第52-70页
    4.1 引言第52页
    4.2 MultiK-MHKS算法框架第52-54页
        4.2.1 隐式核与显式核第52-53页
        4.2.2 算法框架第53-54页
    4.3 随机投影理论第54页
    4.4 基于随机投影的多核分类器学习算法第54-59页
        4.4.1 算法设计第54-56页
        4.4.2 可分性分析第56-57页
        4.4.3 复杂度分析第57-59页
    4.5 实验第59-69页
        4.5.1 实验设置第59页
        4.5.2 人工数据集验证结果第59-60页
        4.5.3 UCI数据集实验结果第60-63页
        4.5.4 进一步讨论第63-69页
    4.6 本章小结第69-70页
第5章 结论与展望第70-71页
参考文献第71-75页
致谢第75-76页
附录1 攻读硕士学位期间参加的课题第76-77页
附录2 攻读硕士学位期间发表论文目录第77页
论文购买
论文编号ABS559924,这篇论文共77页
会员购买按0.30元/页下载,共需支付23.1
不是会员,注册会员
会员更优惠充值送钱
直接购买按0.5元/页下载,共需要支付38.5
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文

点击收藏 | 在线购卡 | 站内搜索 | 网站地图
版权所有 艾博士论文 Copyright(C) All Rights Reserved
版权申明:本文摘要目录由会员***投稿,艾博士论文编辑,如作者需要删除论文目录请通过QQ告知我们,承诺24小时内删除。
联系方式: QQ:277865656