基于特征空間局部線性提取的擬線性支持向量機研究.pdf

1、在人工智能領(lǐng)域，由機器自主實現(xiàn)事件分類與物體識別是一個最基本但也最具有代表性的問題。對此問題的攻克將在人工智能的發(fā)展中具有里程牌的意義。經(jīng)過多年的探索，研究者們通常認(rèn)為兩類因素對機器分類識別性能具有重要的影響。它們是抽象特征與求解算法。其一，事物的抽象特征作為計算機了解其性質(zhì)的唯一渠道，為計算機可能達到的智能水平劃定了上界。其二，對于給定的抽象特征與具體問題應(yīng)用場景，求解算法的優(yōu)劣決定了計算機接近其潛在智能水平上界的程度。因此，多年來關(guān)

2、于抽象特征提取以及求解算法構(gòu)造的研究一直是人工智能領(lǐng)域研究的重點與熱點。
　　在本文中，首先從針對機器分類識別任務(wù)構(gòu)造求解算法的角度出發(fā)，利用特征空間局部線性提取的相關(guān)技術(shù)，對原有研究中提出的算法模型進行了改進與總結(jié)，設(shè)計了基于特征空間局部線性提取的擬線性支持向量機方法。其次，通過結(jié)合深度學(xué)習(xí)技術(shù)在抽象特征提取方面的重大突破，本文對所提出算法的適用場景進行了分析與仿真實現(xiàn)。主要的研究成果與結(jié)論可以概括如下：
　　1、本文通過

3、對擬線性核函數(shù)中的門限基函數(shù)效果進行可視化，展現(xiàn)了擬線性支持向量機的內(nèi)在工作原理。并結(jié)合實驗分析表明了原有局部劃分手段的局限，從而引出本文所改進方法的意義與價值。
　　2、擬線性支持向量機作為一類非線性核支持向量機其實包含了一個核函數(shù)的構(gòu)造過程。與傳統(tǒng)核函數(shù)的不同在于，針對不同的問題，所構(gòu)造的核函數(shù)具有自適應(yīng)的表現(xiàn)形式。本文通過設(shè)計算法，并經(jīng)由仿真實驗分析表明，利用本文所設(shè)計的核函數(shù)構(gòu)造方式可以有效提高擬線性支持向量機的分類識別精

4、度。并且，由于核函數(shù)通過特征空間局部劃分得到的信息構(gòu)造而來，使得擬線性支持向量機的性能受超參數(shù)的影響較小，可以回避耗時的交叉驗證過程。
　　3、基于深度神經(jīng)網(wǎng)絡(luò)的抽象特征表示由于其能顯著提升計算機智能水平的上界在最近的研究中受到了廣泛的關(guān)注。盡管利用深度學(xué)習(xí)技術(shù)取得了諸多領(lǐng)域內(nèi)的最佳性能，但在性能提升的背后一個重要因素不容忽視，即大量的有標(biāo)簽數(shù)據(jù)樣本。但大多數(shù)現(xiàn)實數(shù)據(jù)中，帶有標(biāo)簽的數(shù)據(jù)樣本較少，使得深層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練容易產(chǎn)生過擬合