10.3969/j.issn.1000-3428.2016.06.035
一种联合的时序数据特征序列分类学习算法
针对时序数据特征学习中特征序列占用空间大和运算复杂度高的问题,提出一种联合学习特征序列和分类参数的分类算法.对时序数据进行特征变换后,采用线性分类器从最小距离矩阵中学习模型参数,以预测目标变量.在目标函数中,对分类预测的损失函数和分类器的线性权重进行联合学习,并利用随机梯度下降法求解优化问题.实验结果表明,与F-Stat和表达式变换方法相比,该算法在保持较少运算时间的前提下,具有较高的分类预测准确率.
时序数据、机器学习、随机梯度下降法、优化算法、分类
42
TP391(计算技术、计算机技术)
国家自然科学基金资助项目61170306;国家科技型中小企业技术创新基金资助项目10C26214102198
2016-08-19(万方平台首次上网日期,不代表论文的发表时间)
共6页
196-200,207