多核極限學習機性能分析及其在脈象分類中的應用.pdf

1、自進入21世紀以來，隨著計算機性能和網(wǎng)絡技術的不斷提升，我們正在步入一個高速發(fā)展的信息化社會。特別是在模式識別、數(shù)據(jù)挖掘這一領域，越來越多的創(chuàng)新性研究與方法不斷涌出，造就了機器學習算法的繁榮。傳統(tǒng)的機器學習算法，如邏輯回歸算法、BP神經(jīng)網(wǎng)絡算法等，大多是基于梯度下降的方法，來尋找全局最優(yōu)解。梯度下降法對大量參數(shù)的迭代調(diào)整需要較長的訓練時間，同時也很容易陷入局部極小值點，而達不到理想的訓練精度。
　　極限學習機是一種新型的機器學習算

2、法，其在一定程度上解決了傳統(tǒng)算法中存在問題。極限學習機隨機地選取輸入權值，將樣本分類問題轉(zhuǎn)化為一個二次規(guī)劃問題，而后通過求解一個Moore-Penrose廣義逆，即可精確地對數(shù)據(jù)進行分類。核極限學習機是極限學習機的一種改進方案，其將核方法引入極限學習機中，降低了隨機權值帶來的不確定性，并提升了極限學習機在線性不可分樣本中的訓練精度。本文對核極限學習機及其他極限學習機改進方案進行了實驗對比，結果表明核極限學習機在分類精度和訓練時間上均優(yōu)于

3、其他方案。目前流行的核函數(shù)有很多種，如多項式核函數(shù)及高斯核函數(shù)，但并未有學者對極限學習機核函數(shù)的選取方式進行深入研究。
　　本文對極限學習機中核函數(shù)的選取方式進行了分析和探討，在前人研究的基礎上又引入了一種新的小波核函數(shù)，并證明了其作為核函數(shù)的可行性。實驗表明，不同的核函數(shù)在不同數(shù)據(jù)集上的表現(xiàn)參差不齊，說明了不同核函數(shù)的應用領域也不同。為了設計出一種更加通用的核函數(shù)，本文將多種核函數(shù)采用不同的組合方案進行組合，并通過實驗驗證了其分