一种改进的显性多核支持向量机

摘要：

在支持向量机(Support vector machine, SVM)中,对核函数的定义非常重要,不同的核会产生不同的分类结果。如何充分利用多个不同核函数的特点,来共同提高SVM 学习的效果,已成为一个研究热点。于是,多核学习(Multiple kernel learning, MKL)方法应运而生。最近,有的学者提出了一种简单有效的稀疏MKL 算法,即GMKL (Generalized MKL)算法,它结合了L1范式和L2范式的优点,形成了一个对核权重的弹性限定。然而, GMKL 算法也并没有考虑到如何在充分利用已经选用的核函数中的共有信息。另一方面, MultiK-MHKS 算法则考虑了利用典型关联分析(Canonical correlation analysis, CCA)来获取核函数之间的共有信息,但是却没有考虑到核函数的筛选问题。本文模型则基于这两种算法进行了一定程度的改进,我们称我们的算法为改进的显性多核支持向量机(Improved domain multiple kernel support vector machine, IDMK-SVM)。我们证明了本文的模型保持了GMKL的特性,并且证明了算法的收敛性。最后通过模拟实验,本文证明了本文的多核学习方法相比于传统的多核学习方法有一定的精确性优势。

关键词：多核学习、分类精度、典型关联分析、支持向量机

分类号：TP1;TP3

资助基金：国家自然科学基金71271211;北京市自然科学基金4132067;中国人民大学品牌计划10XNI029资助Supported by National Natural Science Foundation of China71271211;National Natural Science Foundation of Beijing4132067;Brand Plan of Renmin University of China10XNI029

在线出版日期：2014-12-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：2288-2294