多核極限學(xué)習(xí)機(jī)性能分析及其在脈象分類中的應(yīng)用.pdf

1、自進(jìn)入21世紀(jì)以來，隨著計(jì)算機(jī)性能和網(wǎng)絡(luò)技術(shù)的不斷提升，我們正在步入一個(gè)高速發(fā)展的信息化社會(huì)。特別是在模式識(shí)別、數(shù)據(jù)挖掘這一領(lǐng)域，越來越多的創(chuàng)新性研究與方法不斷涌出，造就了機(jī)器學(xué)習(xí)算法的繁榮。傳統(tǒng)的機(jī)器學(xué)習(xí)算法，如邏輯回歸算法、BP神經(jīng)網(wǎng)絡(luò)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(duì)大量參數(shù)的迭代調(diào)整需要較長的訓(xùn)練時(shí)間，同時(shí)也很容易陷入局部極小值點(diǎn)，而達(dá)不到理想的訓(xùn)練精度。
　　極限學(xué)習(xí)機(jī)是一種新型的機(jī)器學(xué)習(xí)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(xué)習(xí)機(jī)隨機(jī)地選取輸入權(quán)值，將樣本分類問題轉(zhuǎn)化為一個(gè)二次規(guī)劃問題，而后通過求解一個(gè)Moore-Penrose廣義逆，即可精確地對(duì)數(shù)據(jù)進(jìn)行分類。核極限學(xué)習(xí)機(jī)是極限學(xué)習(xí)機(jī)的一種改進(jìn)方案，其將核方法引入極限學(xué)習(xí)機(jī)中，降低了隨機(jī)權(quán)值帶來的不確定性，并提升了極限學(xué)習(xí)機(jī)在線性不可分樣本中的訓(xùn)練精度。本文對(duì)核極限學(xué)習(xí)機(jī)及其他極限學(xué)習(xí)機(jī)改進(jìn)方案進(jìn)行了實(shí)驗(yàn)對(duì)比，結(jié)果表明核極限學(xué)習(xí)機(jī)在分類精度和訓(xùn)練時(shí)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(xiàng)式核函數(shù)及高斯核函數(shù)，但并未有學(xué)者對(duì)極限學(xué)習(xí)機(jī)核函數(shù)的選取方式進(jìn)行深入研究。
　　本文對(duì)極限學(xué)習(xí)機(jī)中核函數(shù)的選取方式進(jìn)行了分析和探討，在前人研究的基礎(chǔ)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(shí)驗(yàn)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(yīng)用領(lǐng)域也不同。為了設(shè)計(jì)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(jìn)行組合，并通過實(shí)驗(yàn)驗(yàn)證了其分