基于特征空間局部線性提取的擬線性支持向量機(jī)研究.pdf

1、在人工智能領(lǐng)域，由機(jī)器自主實(shí)現(xiàn)事件分類與物體識(shí)別是一個(gè)最基本但也最具有代表性的問(wèn)題。對(duì)此問(wèn)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(guò)多年的探索，研究者們通常認(rèn)為兩類因素對(duì)機(jī)器分類識(shí)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(jì)算機(jī)了解其性質(zhì)的唯一渠道，為計(jì)算機(jī)可能達(dá)到的智能水平劃定了上界。其二，對(duì)于給定的抽象特征與具體問(wèn)題應(yīng)用場(chǎng)景，求解算法的優(yōu)劣決定了計(jì)算機(jī)接近其潛在智能水平上界的程度。因此，多年來(lái)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(diǎn)與熱點(diǎn)。
　　在本文中，首先從針對(duì)機(jī)器分類識(shí)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(duì)原有研究中提出的算法模型進(jìn)行了改進(jìn)與總結(jié)，設(shè)計(jì)了基于特征空間局部線性提取的擬線性支持向量機(jī)方法。其次，通過(guò)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(duì)所提出算法的適用場(chǎng)景進(jìn)行了分析與仿真實(shí)現(xiàn)。主要的研究成果與結(jié)論可以概括如下：
　　1、本文通過(guò)

3、對(duì)擬線性核函數(shù)中的門限基函數(shù)效果進(jìn)行可視化，展現(xiàn)了擬線性支持向量機(jī)的內(nèi)在工作原理。并結(jié)合實(shí)驗(yàn)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(jìn)方法的意義與價(jià)值。
　　2、擬線性支持向量機(jī)作為一類非線性核支持向量機(jī)其實(shí)包含了一個(gè)核函數(shù)的構(gòu)造過(guò)程。與傳統(tǒng)核函數(shù)的不同在于，針對(duì)不同的問(wèn)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(guò)設(shè)計(jì)算法，并經(jīng)由仿真實(shí)驗(yàn)分析表明，利用本文所設(shè)計(jì)的核函數(shù)構(gòu)造方式可以有效提高擬線性支持向量機(jī)的分類識(shí)別精

4、度。并且，由于核函數(shù)通過(guò)特征空間局部劃分得到的信息構(gòu)造而來(lái)，使得擬線性支持向量機(jī)的性能受超參數(shù)的影響較小，可以回避耗時(shí)的交叉驗(yàn)證過(guò)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(jì)算機(jī)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(gè)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(shí)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(guò)擬合