核機器學習方法若干問題研究.pdf

1、論文主要對機器學習問題、核機器方法、小波核機器、模糊小波核機器等內容進行探討和分析，構建了幾種核機器模型，理論分析和實驗結果驗證了它們的可行性和有效性。主要研究內容如下： 處理大規(guī)模樣本時，支持向量機難以滿足實時性要求，針對這一問題，提出了一種支持向量預提取方法：先用核感知機模塊提取準支持向量，然后將所得結果輸入到支持向量機中進行二次處理。核感知機采用的是簡單的迭代結構，即使在樣本規(guī)模較大時，花費的時間也很少；此外，準支持向量的

2、數(shù)目可以通過設定閾值進行控制。在一定精度要求下，能從很大程度上提高數(shù)據的處理效率。由于核函數(shù)和誤分界的引入，在綜合使用支持向量機的基礎上，能處理線性可分、非線性可分、非線性不可分帶噪聲數(shù)據以及回歸等問題，理論分析和實驗結果較好地驗證了這一結論。 對非平穩(wěn)信號進行處理時，信號細微特征的提取非常關鍵。論文嘗試將小波技術、主分量分析及核方法相結合，用于處理這類信號。對采用小波基構建核函數(shù)的可行性進行了探討，證明了它滿足Mercy條件及

3、其在Hilbert空間具有再生性的命題，以此為基礎，結合主分量分析，探討了小波核機器的構建方法，構造出一種核機器模型，并作了實例仿真。實驗結果表明，復Gaussian小波核和復Morlet小波核的性能大致相當，它們都優(yōu)于常規(guī)的高斯核和多項式核，初步展示出該方法的可行性和優(yōu)越性。 對模糊邏輯和小波技術的相關理論進行探討和分析，構建了一種模糊小波容許核函數(shù)，并與支持向量機結合，構造出一種核機器模型，對該模型的一致逼近性作了證明。在此

4、基礎上，提出了一種模糊小波支持向量核機器方法FW-SVKM，對參數(shù)的選擇與預測結果的內在關系作了較為詳細的分析，與三層神經網絡ANN進行短期峰值負荷預測的對比實驗，結果表明FW-SVKM優(yōu)于ANN，具有較大的實用價值和較好的應用前景。 針對學習機器在參數(shù)較多時，優(yōu)化時間過長、效率過低，不利于工程應用的問題，提出了一種多參數(shù)同步優(yōu)化策略。實驗結果表明，該方法在實際應用中是行之有效的，能大幅減少多參數(shù)模型的優(yōu)化時間，增強核機器方法的

5、實用性和有效性。 隨著國民經濟水平的提高，城市交通擁堵問題亟待解決。文中分析了城市交通流量的特征，嘗試采用常規(guī)核、復合核和模糊小波方法進行交通流量實時預測，取得了較好的效果。采用對比實驗的方式綜合比較了幾種核的性能，為交通實時控制與誘導提供了新的參考。文中還涉及核機器方法的另一個應用實例：采用復合核函數(shù)方法和支持向量預提取技術處理衛(wèi)星遙感數(shù)據，用于反演葉綠素濃度。與神經網絡和SeaBAM的12種經驗算法相比，核機器方法的反演精度