基于最大化間隔的核譜學習分類算法.pdf

1、基于核的學習算法是一種新興的重要的分類技術，近年來己被廣泛研究，并且成功應用于模式識別.圖像處理等等相關領域。傳統的核方法通常僅使用標準的核函數,如線性核和RBF核，因此它們的分類性能是有限的。另一方面，傳統算法通常使用監(jiān)督學習的方式，在訓練過程中僅僅使用已標記數據。一個好的分類模型不僅要使用己標記樣本，還要有效利用無標記樣本。
　　 為了解決傳統算法所存在的不足之處，本文提出了一種新的半監(jiān)督核譜學習算法(Spectral Ke

2、rnel Learning based on Maximizing Margin, MSKL)。算法同時利用標記數據和無標記數據來學習新的核矩陣，并且采用一種更有效的泛化性能的度量標準，能有效改善算法的分類性能。
　　 本文的工作主要包含以下兩個方面：
　　 一是提出一種新的核譜學習算法。本文算法通過最優(yōu)化泛化性能度量標準來修改核矩陣的譜值。算法采用最大化兩類數據的間隔的方式來學習新的核矩陣。比較傳統的度量標準，如目標核

3、適合度(Kernel Target Alignment)，分類間隔被認為是一種更合適的度量標準。此外，本文算法是基于標準核函數來學習新的核矩陣，而不是圖核。最后算法可以被轉換成一個非線性的最優(yōu)化問題。使用梯度下降算法和拉格朗日支撐向量機能夠有效地求解這個最優(yōu)化問題。
　　 二是在五個公共數據集上進行實驗來評估本文提出的核譜學習算法的分類性能。實驗將本文提出的算法與基于標準核函數的傳統分類算法以及基于目標核的核譜學習算法進行比較。