学位论文 > 优秀研究生学位论文题录展示

基于多视角的分类器设计与权值优化方法研究

作　者: 徐晋
导　师: 高大启；王喆
学　校: 华东理工大学
专　业: 计算机应用技术
关键词: 模式识别单视角机器学习多视角机器学习多核机器学习曲面优化算法 “本地化控制”函数视角权值 HK MultiV-MHKS MultiK-MHKS RMultiV-MHKS RMEK-MHKS MLEKL
分类号: TP18
类　型: 硕士论文
年　份: 2012年
下　载: 39次
引　用: 0次
阅　读: 论文下载

内容摘要

本文研究了一些新的算法用于提高多视角学习模型的学习效果。这些方法不仅能够有效优化权值分类,而且能够设计出高效的基于多视角的分类模型。这篇文章的主要工作如下：1.一种新的优化算法RMultiV-MHKS被提出。这个算法结合了曲面响应算法(RST)和传统的MultiV-MHKS模型。这个算法的核心思想是利用权值变量和分类错误率,再通过牛顿方法的有限次迭代形成优化的响应曲面。最后,得到更加合理的多视角机器学习模型中的权值,它们的分类正确率也随之有效地得到了提高。2.存在的曲面响应算法(RST)被引入到分类器MultiK-MHKS中,因此,提出了一个全新的算法：RMEK-MHKSo用这种方法可以搜寻到核中最优权值,并提高了多核机器学习模型中的识别正确率。在很多实验结果中可以证明这种方法的优势和通用性。3.充分考虑到了数据集样本对于最终模型分类正确率的影响,我们提出了将新式的“本地化控制”函数(Modal Gating)引入到核分类器MultiK-MHKS的设计中,构建出了一个新型的多核机器学习模型：MLEKL。由于在整个算法流程中,寻找最佳识别率点的迭代循环过程仅限于“本地化控制”函数中的内部优化,因此我们既可以通过样本信息来提高整个模型的分类正确率,又可以有效的提高住整个改进算法的训练效率。以上所提出的方法在一定程度上优化了传统多视角模型中权值分配,并得到更为全面的权值优化值。曲面响应方法能够充分的优化视角的权值,但会存在着时间复杂度较大程度增加的问题。相比而言,“本地化控制”函数的引入可以在深入考虑样本信息的前提下,既保证了多视角／多核分类器的识别正确率,又可以有效控制时间复杂度。最后,无论是通过通用数据集的多角度实验验证,还是人工数据集的分类图解分析都可以证明出所提方法的优越性。

全文目录

摘要  5-6
Abstract  6-9
第1章绪论  9-12
  1.1 多视角机器学习历史  9
  1.2 多视角机器学习现状  9-10
  1.3 多视角机器学习优势  10-11
  1.4 多视角机器学习存在的弊端  11
  1.5 安排  11-12
第2章相关工作  12-19
  2.1 HK算法  12-13
  2.2 MHKS算法  13-14
  2.3 MatMHKS算法  14
  2.4 MultiV-MHKS算法  14-16
  2.5 实验结果  16-19
第3章基于权值优化算法的多视角机器学习模型  19-42
  3.1 RMultiV-MHKS模型  19-23
    3.1.1 曲线响应算法:Response Surface Technique  19-20
    3.1.2 RMultiV-MHKS  20-23
  3.2 拉德马赫复杂度分析  23-27
  3.3 实验结果  27-42
    3.3.1 实验设置  27
    3.3.2 分类效果比较  27-33
    3.3.3 时间复杂度代价比较  33
    3.3.4 进一步讨论  33-42
第4章基于权值优化算法的多核机器学习模型  42-69
  4.1 多核机器学习  42-43
  4.2 MultiK-MHKS  43-44
  4.3 RMEK-MHKS  44-47
  4.4 实验结果  47-69
    4.4.1 实验设置  47-48
    4.4.2 人工数据集  48-51
    4.4.3 分类效果比较  51-54
    4.4.4 时间复杂度代价比较  54
    4.4.5 进一步讨论  54-69
第5章基于本地化样本信息利用的多核机器学习模型  69-77
  5.1 MLEKL  69-70
  5.2 实验结果  70-77
    5.2.1 实验设置  71-72
    5.2.2 分类效果比较  72-75
    5.2.3 时间复杂度代价比较  75-77
第6章结论和未来工作  77-79
参考文献  79-83
致谢  83-84
附录Ⅰ 发表论文目录  84

基于多视角的分类器设计与权值优化方法研究

内容摘要

全文目录

相似论文