三种有效的核机器
论文摘要
统计学习理论和核技术的结合造就了支持向量机的成功，同时也触发了核机器的产生和其迅速的发展。核机器已经成为机器学习领域一个新的研究方向。本文在对统计学习理论和支持向量机进行深入分析的基础上，进一步研究并提出了以下三类核机器： （1） 隐空间核机器。首先在隐空间中采用最小二乘损失函数度量经验风险，提出了最小二乘隐空间支持向量机（LSHSSVMs）。接着为了解决LSHSSVMs没有稀疏性的缺陷，我们在隐空间中构造出一种新的结构风险，利用这一结构风险，提出了稀疏隐空间支持向量机（SHSSVMs）。 （2） 小波核机器。基于正交小波尺度函数良好的逼近性能，直接用其来构造核函数，提出了一种基于小波核的脊回归算法（WKRR）。WKRR对核函数没有Mercer正定条件的约束，且核函数构造简单，易于实现。 （3） 贝叶斯核机器。基于秩-1更新，提出了稀疏贝叶斯学习算法（SBLA）。该算法具有较低的计算复杂度和较高的稀疏性，从而适合于求解大规模问题。 理论分析以及仿真实验结果证明了所提算法的有效性和可行性。
论文目录
摘要ABSTRACT第一章 绪论§1.1 机器学习简介§1.2 有限样本的预测学习§1.3 核机器学习方法§1.4 论文主要工作和体系结构第二章 统计学习理论及支持向量机简介§2.1 统计学习理论简介§2.2 支持向量机算法§2.2.1 最优分类超平面§2.2.2 模式识别支持向量机§2.2.3 回归支持向量机第三章 隐空间核机器§3.1 最小二乘隐空间支持向量机§3.1.1 引言§3.1.2 隐空间支持向量机的基本思想§3.1.3 最小二乘隐空间支持向量机§3.1.4 最小二乘隐空间支持向量机的计算§3.1.5 最小二乘隐空间支持向量机和隐空间支持向量机的性能比较§3.1.6 仿真实验§3.1.7 结论§3.2 稀疏隐空间支持向量机§3.2.1 引言§3.2.2 VC界的放宽§3.2.3 构造稀疏隐空间支持向量机§3.2.4 仿真试验§3.2.5 结论第四章 基于小波的核机器§4.1 引言§4.2 小波逼近§4.3 正交小波尺度核函数§4.4 基于小波核的脊回归§4.5 模型选择§4.6 仿真实验§4.7 结论第五章 贝叶斯核机器§5.1 贝叶斯学习§5.2 基于有效子集选择的贝叶斯学习§5.2.1 引言§5.2.2 模型确立§5.2.3 稀疏贝叶斯学习算法§5.2.4 算法仿真§5.2.5 结论第六章 总结与展望§6.1 全文工作总结§6.2 进一步工作§6.3 核机器学习的展望附录A 定理3.1.1的证明附录B：定理3.2.1的证明参考文献致谢硕士期间研究成果
相关论文文献
本文来源: https://www.lw50.cn/article/079a640be2073e53733adf88.html