基于多核學習的模式分類方法研究.pdf

1、最近，模式識別中各種各樣的依賴于機器學習的應用技術已得到了極大的關注，這些技術能夠簡化許多復雜的手工處理過程并減少人類干預，為智能系統(tǒng)的構建帶來益處。論文探討了基于支持向量機(SVM)及其多核學習方法在分類問題中的應用研究，這是模式識別領域的一個重要方向。SVM分類器已由最初的線性形式，通過使用核技術擴展為非線性形式，通過比較單一核與多個核函數(shù)線性組合的不同性能，進一步研究多核學習(MKL)的應用。論文主要比較了使用一些不同的廣泛應用于

2、實際中的基準數(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，一些是兩分類問題，另一些是多分類問題。在基于單一核函數(shù)和多核函數(shù)學習的過程中，考慮了特征歸一化后，對不同分類數(shù)據(jù)集的分類精度影響，進一步還考慮了不同核函數(shù)，不同特征歸一化后，數(shù)據(jù)分來所具有的不同結果。
　　用來度量分類器性能的標準是精度、接收運行域特性(ROC)曲線和ROC曲線下的面積(AUC)。進一步論文還使用MKL方法對衛(wèi)星圖像進行分類，并延伸至遙感應用領

3、域。主要研究內容如下：
　　(1)主要將四個核函數(shù)使用于SVM方法，具體包括線性、高斯多項式、Sigmoid函數(shù)。然后，基于十一種基準數(shù)據(jù)集，選擇不同的特征規(guī)范化條件，通過應用這四種核函數(shù)以及對不同核函數(shù)選取最佳的核參數(shù)，并且考慮了數(shù)據(jù)集被劃分為訓練集、交叉驗證和測試集時，單一使用每個核函數(shù)時，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，通過優(yōu)化參數(shù)以獲得較好的分類性能，分類結果以直方圖形式展現(xiàn)出，