两阶段不定核支持向量机

摘要：

近年来,在机器学习的各个领域出现了越来越多不定的度量核矩阵,使得不定核支持向量机(IKSVM)得到了广泛关注.但是,现有IKSVM算法通常不能较好地解决高维数据所带来的信息冗余和样本稀疏等问题.针对此研究现状,对现有主流的IKSVM算法进行了研究,并基于再生核Kre?n空间(RKKS)中对IKSVM问题的稳定化定义,从理论上证明了IKSVM问题的本质为不定核主成分分析(IKPCA)降维后空间中的支持向量机(SVM)问题,进一步地提出求解IKSVM问题的新型学习框架TP-IKSVM.TP-IKSVM通过将IKSVM问题的求解拆分为IKPCA和SVM两个阶段,充分地发挥了IKPCA在处理高维数据的信息冗余和样本稀疏等方面的优势,同时结合SVM以有效分类.在真实数据集上的实验结果表明,TP-IKSVM的分类精度优于现有主流的IKSVM算法.

关键词：不定核、再生核Kre?n空间(RKKS)、不定核主成分分析(IKPCA)、不定核支持向量机(IKSVM)

所属期刊栏目：14

分类号：TP391(计算技术、计算机技术)

资助基金：The National Key Research & Development Program of China under Grant No. 2017YFB1002801 国家重点研发计划;the NationalNatural Science Foundation of China under Grant No. 61876091 国家自然科学基金;the Project Supported by Collaborative InnovationCenter of Wireless Communications Technology 无线通信技术协同创新中心资助项目

在线出版日期：2020-04-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：598-605