基于多核學(xué)習(xí)的模式分類方法研究.pdf

1、最近，模式識(shí)別中各種各樣的依賴于機(jī)器學(xué)習(xí)的應(yīng)用技術(shù)已得到了極大的關(guān)注，這些技術(shù)能夠簡(jiǎn)化許多復(fù)雜的手工處理過(guò)程并減少人類干預(yù)，為智能系統(tǒng)的構(gòu)建帶來(lái)益處。論文探討了基于支持向量機(jī)(SVM)及其多核學(xué)習(xí)方法在分類問(wèn)題中的應(yīng)用研究，這是模式識(shí)別領(lǐng)域的一個(gè)重要方向。SVM分類器已由最初的線性形式，通過(guò)使用核技術(shù)擴(kuò)展為非線性形式，通過(guò)比較單一核與多個(gè)核函數(shù)線性組合的不同性能，進(jìn)一步研究多核學(xué)習(xí)(MKL)的應(yīng)用。論文主要比較了使用一些不同的廣泛應(yīng)用于

2、實(shí)際中的基準(zhǔn)數(shù)據(jù)集的分類性能，這些數(shù)據(jù)集包含乳腺癌、心電圖、腦波電圖等，一些是兩分類問(wèn)題，另一些是多分類問(wèn)題。在基于單一核函數(shù)和多核函數(shù)學(xué)習(xí)的過(guò)程中，考慮了特征歸一化后，對(duì)不同分類數(shù)據(jù)集的分類精度影響，進(jìn)一步還考慮了不同核函數(shù)，不同特征歸一化后，數(shù)據(jù)分來(lái)所具有的不同結(jié)果。
　　用來(lái)度量分類器性能的標(biāo)準(zhǔn)是精度、接收運(yùn)行域特性(ROC)曲線和ROC曲線下的面積(AUC)。進(jìn)一步論文還使用MKL方法對(duì)衛(wèi)星圖像進(jìn)行分類，并延伸至遙感應(yīng)用領(lǐng)

3、域。主要研究?jī)?nèi)容如下：
　　(1)主要將四個(gè)核函數(shù)使用于SVM方法，具體包括線性、高斯多項(xiàng)式、Sigmoid函數(shù)。然后，基于十一種基準(zhǔn)數(shù)據(jù)集，選擇不同的特征規(guī)范化條件，通過(guò)應(yīng)用這四種核函數(shù)以及對(duì)不同核函數(shù)選取最佳的核參數(shù)，并且考慮了數(shù)據(jù)集被劃分為訓(xùn)練集、交叉驗(yàn)證和測(cè)試集時(shí)，單一使用每個(gè)核函數(shù)時(shí)，如何能夠獲得最佳性能。
　　(2)在同等條件及數(shù)據(jù)下，基于MKL算法，通過(guò)優(yōu)化參數(shù)以獲得較好的分類性能，分類結(jié)果以直方圖形式展現(xiàn)出，