基于多核学习的风格正则化最小二乘支持向量机

TP181; 当前的多核学习方法结合了不同核函数在对数据的物理特性表示上的能力,但在风格化数据集中不能充分利用样本中所隐含的风格信息.由此,提出应用于风格化数据的基于多核学习的风格正则化最小二乘支持向量机(MK-SRLSSVM).算法利用风格转换矩阵表示包含在样本中的风格信息,并在目标函数中对其进行正则化处理,通过常用的交替优化方法对目标函数进行优化,在迭代过程中同步更新风格转换矩阵和分类器参数.为在预测过程中利用已学习的风格信息,在传统预测方法中增加了两种新的规则,在分类之前预先使用风格转换矩阵对样本风格进行标准化处理.所提出的分类器不仅利用了现有多核学习算法在表示样本的物理特征方面的优势,...

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 14; no. 9; pp. 1532 - 1544
Main Authors 沈浩, 王士同
Format Journal Article
LanguageChinese
Published 江南大学 数字媒体学院,江苏 无锡 214122 01.09.2020
江南大学 江苏省媒体设计与软件技术重点实验室,江苏 无锡 214122
Subjects
最小二乘支持向量机(LSSVM)
多核学习
风格信息
风格化数据
Online AccessGet full text
ISSN1673-9418
DOI10.3778/j.issn.1673-9418.1906018

Cover

More Information
Summary:TP181; 当前的多核学习方法结合了不同核函数在对数据的物理特性表示上的能力,但在风格化数据集中不能充分利用样本中所隐含的风格信息.由此,提出应用于风格化数据的基于多核学习的风格正则化最小二乘支持向量机(MK-SRLSSVM).算法利用风格转换矩阵表示包含在样本中的风格信息,并在目标函数中对其进行正则化处理,通过常用的交替优化方法对目标函数进行优化,在迭代过程中同步更新风格转换矩阵和分类器参数.为在预测过程中利用已学习的风格信息,在传统预测方法中增加了两种新的规则,在分类之前预先使用风格转换矩阵对样本风格进行标准化处理.所提出的分类器不仅利用了现有多核学习算法在表示样本的物理特征方面的优势,同时有效挖掘了数据集内包含的风格信息以提高分类性能,在风格化数据集中的实验结果证明了算法的有效性.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.1906018