【摘要】：數(shù)據(jù)分類作為機器學(xué)習(xí)最基礎(chǔ)的學(xué)習(xí)任務(wù)之一,隨著網(wǎng)絡(luò)化信息化的發(fā)展,所需分類的數(shù)據(jù)復(fù)雜程度越來越高。多核學(xué)習(xí)因描述數(shù)據(jù)特征能力強,是復(fù)雜數(shù)據(jù)集分類的有效方法理論。從分類角度看,數(shù)據(jù)集分為輸入數(shù)據(jù)部分,是數(shù)據(jù)的空間或?qū)傩孕畔?和相對應(yīng)的輸出數(shù)據(jù)部分,是數(shù)據(jù)的類別標號信息。輸入數(shù)據(jù)樣本,來自自然世界或工程,其往往存在固有的制約或約束關(guān)系,這種關(guān)系本質(zhì)上可以用數(shù)學(xué)流形來描述。輸入數(shù)據(jù)樣本在其空間中所具備的流形約束,是數(shù)據(jù)的本征特征,是人來識別目標的重要信息。然而,多核分類方法尚未充分利用輸入數(shù)據(jù)樣本的流形約束信息。為了利用輸入數(shù)據(jù)樣本的流形約束信息,本文提出了一種具有輸入數(shù)據(jù)樣本流形約束信息的監(jiān)督型的流形正則化多核分類模型。為獲取輸入數(shù)據(jù)樣本在其空間中的流形約束信息,需要描述它們在空間中的近鄰關(guān)系程度,本文應(yīng)用了能細致地評價數(shù)據(jù)間近鄰關(guān)系的Hellinge r(?)巨離；同時,考慮了輸出數(shù)據(jù)所表達的類別標號信息作用,即同類別數(shù)據(jù)間的近鄰關(guān)系程度比不同類數(shù)據(jù)間的近鄰關(guān)系程度較高的一般性知識。最后,本文給出了考慮標號信息的監(jiān)督型的輸入數(shù)據(jù)樣本流形約束的流形正則項,將其引入監(jiān)督型的多核分類模型,建立了一種具有輸入數(shù)據(jù)樣本流形約束的監(jiān)督型的流形正則化多核分類模型,給出了該模型的求解算法。監(jiān)督分類仿真試驗對比的結(jié)果表明,本文提出的一種具有輸入數(shù)據(jù)樣本流形約束的監(jiān)督型的流形正則化多核分類模型是有效的。針對實際工程中,數(shù)據(jù)的輸出部分普遍是有標號和無標號同時存在的事實,本文將具有輸入數(shù)據(jù)樣本流形約束的監(jiān)督型的流形正則化多核分類模型拓展成為一種半監(jiān)督的分類模型。首先,通過歐氏距離來獲取全體輸入數(shù)據(jù)樣本之間的近鄰關(guān)系,并以此得到輸入數(shù)據(jù)樣本的流形約束信息；然后,擴展監(jiān)督型的流形正則化多核分類模型中的多核函數(shù)在全體輸入數(shù)據(jù)樣本下的矩陣并計算全體輸入數(shù)據(jù)樣本的流形約束信息的流形正則信息；從而,拓展模型成為能夠綜合利用有標號和無標號數(shù)據(jù)樣本的一種半監(jiān)督型的流形正則化多核分類模型。本文給出了這種半監(jiān)督型的流形正則化多核分類模型的求解算法、誤差分析和半監(jiān)督分類仿真試驗對比,試驗結(jié)果表明了該模型在半監(jiān)督分類中的有效性。針對本文給出的一種半監(jiān)督型的流形正則化多核分類模型,一方面為提高該模型的自適應(yīng)性和分類準確性,本文提出了半監(jiān)督型的流形正則化多核分類模型中的多核函數(shù)的參數(shù)的自動選擇方法；另一方面,本文改進了半監(jiān)督型的流形正則化多核分類模型中的多核組合權(quán)值的約束形式,給出p范數(shù)約束多核組合權(quán)值的模型一般解。在提出的多核函數(shù)中的參數(shù)自動選擇方面,本文通過改進半監(jiān)督型的流形正則化多核分類模型的數(shù)學(xué)表達式并設(shè)計求解算法,將待選的核函數(shù)參數(shù)值轉(zhuǎn)化為算法的解,實現(xiàn)自動地確定核函數(shù)參數(shù)的具體取值。在改進多核組合權(quán)值的約束方面,通過將半監(jiān)督型的流形正則化多核分類模型中的多核組合權(quán)值的固定的1范數(shù)約束,改進為一般性的p范數(shù)約束,并給出了p范數(shù)約束多核組合權(quán)值的半監(jiān)督流形正則化多核分類模型的求解定理及其證明。對于兩方面改進后的半監(jiān)督分類模型,本文分別做了半監(jiān)督分類仿真試驗對比。試驗結(jié)果表明,本文提出的核函數(shù)參數(shù)自動選擇的半監(jiān)督流形正則化多核分類模型和p范數(shù)約束多核組合權(quán)值的半監(jiān)督流形正則化多核分類模型是有效的。
[Abstract]:Data classification is one of the most basic learning tasks of machine learning. With the development of networked information, the data complexity of the required classification is getting higher and higher. Multi-core learning is an effective method for classification of complex data sets due to the strong ability of describing data features. From a classification point of view, the data set is divided into an input data portion, a spatial or attribute information of the data, and a corresponding output data portion, which is the category label information of the data. Input data samples, from natural world or engineering, often have inherent constraints or constraints, which can be described in nature by a mathematical manifold. The manifold constraints of the input data samples in their space are the intrinsic characteristics of the data and are important information for people to identify the target. However, the multi-core classification method has not fully utilized the manifold constraint information of the input data samples. In order to use the manifold constraint information of the input data samples, this paper presents a supervised manifold regularization multi-core classification model with input data sample manifold constraint information. In order to obtain the manifold constraint information of the input data samples in their space, it is necessary to describe their neighbor relation degree in space. ) At the same time, the class label information, which is expressed by the output data, is considered, that is, the degree of neighbor relation between the same class data is higher than that of the neighbor relation among the different class data. In the end, this paper gives a manifold regularized multi-core classification model with a supervised type of input data sample manifold constraint, considering the manifold regular term of the supervised type input data sample manifold constraint of the reference label information, and establishing a supervised type manifold regularized multi-core classification model with input data sample manifold constraint. The algorithm of this model is given. The results of the comparison of supervised classification simulation tests show that a supervised manifold regularization multi-core classification model with input data sample manifold constraints is effective. In the actual project, the output part of the data is generally the fact that the reference number and the no-label are present at the same time. In this paper, a supervised type manifold regularization multi-core classification model with input data sample manifold constraints is expanded into a semi-supervised classification model. First, the neighbor relation between all input data samples is obtained by the Euclidean distance, and the manifold constraint information of the input data sample is obtained; and then, the multi-kernel function in the extended-supervised manifold regularized multi-core classification model is used for the matrix of all input data samples and the manifold regular information of the manifold constraint information of all the input data samples is calculated; therefore, The expansion model is a kind of semi-supervised manifold regularized multi-core classification model which can comprehensively utilize the data samples with the label and the no-label. In this paper, the solution algorithm, the error analysis and the semi-supervised classification simulation test of the semi-supervised manifold regularized multi-core classification model are presented. The results show the effectiveness of the model in the semi-supervised classification. In order to improve the self-adaptability and classification accuracy of the model, a semi-supervised manifold regularized multi-core classification model is presented in this paper. On the one hand, the automatic selection method of the parameters of a multi-kernel function in a semi-supervised manifold regularization multi-core classification model is proposed. On the other hand, In this paper, the constrained form of multi-core combined weight in a semi-supervised manifold regularized multi-core classification model is improved, and a model general solution of a p-norm constrained multi-core combined weight is given. In this paper, by improving the mathematical expression of the semi-supervised manifold regularization multi-core classification model and designing the solution algorithm, the kernel function parameter value to be selected is transformed into the solution of the algorithm. And the specific value of the kernel function parameter is automatically determined. in the aspect of improving the constraint of the multi-core combined weight, the general p-norm constraint is improved by the fixed 1-norm constraint of the multi-core combination weight in the semi-supervised manifold regularization multi-core classification model, The solution theorem of the semi-supervised manifold regularized multi-core classification model with p-norm constrained multi-core combined weight and its proof are given. In this paper, the semi-supervised and semi-supervised classification model is compared with the two-aspect improved semi-supervised classification model. The experimental results show that the semi-supervised manifold regularized multi-core classification model and the semi-supervised manifold regularized multi-core classification model of the auto-selected semi-supervised manifold regularized multi-core classification model and the p-norm constrained multi-core combined weight are effective.
【學(xué)位授予單位】：北京科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：TP181

【相似文獻】

相關(guān)期刊論文 前10條

1 李妍妍;李媛媛;葉世偉;;基于流形正則化的支持向量回歸及應(yīng)用[J];計算機應(yīng)用;2007年08期

2 毛玉明;郭杏林;趙巖;呂洪彬;;基于精細計算的動載荷反演問題正則化求解[J];動力學(xué)與控制學(xué)報;2009年04期

3 仇光;鄭淼;張暉;朱建科;卜佳俊;陳純;杭航;;基于正則化主題建模的隱式產(chǎn)品屬性抽取[J];浙江大學(xué)學(xué)報(工學(xué)版);2011年02期

4 劉超,刁現(xiàn)芬,汪元美;超聲逆散射成像問題中的正則化方法研究[J];浙江大學(xué)學(xué)報(工學(xué)版);2005年02期

5 周定法;;電磁逆散射成像的一種混合正則化方法[J];微計算機信息;2007年13期

6 顧勇為;歸慶明;張磊;;基于復(fù)共線性診斷的正則化方法[J];信息工程大學(xué)學(xué)報;2007年04期

7 蔡傳寶;湯文成;;基于有限元法-正則化的彈性模量反求算法研究[J];應(yīng)用力學(xué)學(xué)報;2009年01期

8 侯衛(wèi)東,莫玉龍;動態(tài)電阻抗圖象重建的正則化方法[J];計算機工程;2001年09期

9 王彥飛;數(shù)值求解迭代Tikhonov正則化方法的一點注記[J];數(shù)值計算與計算機應(yīng)用;2002年03期

10 許建華,張學(xué)工,李衍達;最小平方誤差算法的正則化核形式[J];自動化學(xué)報;2004年01期

相關(guān)會議論文 前8條

1 楊元喜;徐天河;;綜合驗前模型信息和驗后觀測信息的自適應(yīng)正則化方法[A];《大地測量與地球動力學(xué)進展》論文集[C];2004年

2 解凱;呂妍昱;;一種高效的正則化參數(shù)估計算法[A];全國第19屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集（上冊）[C];2008年

3 蘇利敏;王耀威;王彥飛;;基于SAR特征的正則化計算方法及其在紋理分類中的應(yīng)用[A];第25屆中國控制會議論文集（下冊）[C];2006年

4 曹毅;呂英華;;基于微遺傳算法和正則化處理的模糊圖像復(fù)原方法[A];全國第13屆計算機輔助設(shè)計與圖形學(xué)（CAD/CG）學(xué)術(shù)會議論文集[C];2004年

5 周定法;薄亞明;;解電磁逆散射問題的截斷完全最小二乘方法[A];第七屆工業(yè)儀表與自動化學(xué)術(shù)會議論文集[C];2006年

6 魏素花;王雙虎;許海波;;軸對稱物體X射線層析成像的正則化方法[A];全國射線數(shù)字成像與CT新技術(shù)研討會論文集[C];2012年

7 劉曉芳;徐文龍;陳永利;;基于非二次正則化的并行磁共振圖像保邊性重建[A];浙江生物醫(yī)學(xué)工程學(xué)會第九屆年會論文匯編[C];2011年

8 王金海;王琦;鄭羽;;基于L_1正則化和投影方法的電阻抗圖像重建算法[A];天津市生物醫(yī)學(xué)工程學(xué)會第三十三屆學(xué)術(shù)年會論文集[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 鐘敏;反問題多尺度迭代正則化方法[D];復(fù)旦大學(xué);2014年

2 產(chǎn)文;Web社區(qū)問答檢索的關(guān)鍵技術(shù)研究[D];復(fù)旦大學(xué);2014年

3 王靜;電阻抗成像的幾種正則化方法研究[D];哈爾濱工業(yè)大學(xué);2015年

4 李維;有限元方法和正則化策略在光學(xué)分子影像中的應(yīng)用[D];西安電子科技大學(xué);2015年

5 閆青;基于梯度正則化約束的圖像重建算法研究[D];上海交通大學(xué);2014年

6 楊燾;流形正則化多核模型的監(jiān)督與半監(jiān)督分類研究與應(yīng)用[D];北京科技大學(xué);2016年

7 方晟;基于正則化的高倍加速并行磁共振成像技術(shù)[D];清華大學(xué);2010年

8 肖銓武;基于核的正則化學(xué)習(xí)算法[D];中國科學(xué)技術(shù)大學(xué);2009年

9 薛暉;分類器設(shè)計中的正則化技術(shù)研究[D];南京航空航天大學(xué);2008年

10 王林軍;正則化方法及其在動態(tài)載荷識別中的應(yīng)用[D];湖南大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 焦彩紅;正則化夾角間隔核向量機[D];河北大學(xué);2015年

2 牛征驥;基于混合范數(shù)的電阻率反演算法研究[D];大連海事大學(xué);2015年

3 楊嬌;參數(shù)變化識別問題的稀疏約束正則化方法及應(yīng)用[D];哈爾濱工業(yè)大學(xué);2015年

4 張衍敏;基于正則化的多分散系納米顆粒粒度反演優(yōu)化方法研究[D];齊魯工業(yè)大學(xué);2015年

5 吳瀚;對于使用Adaptive Lp正則化的線性回歸問題在高維情況下漸近性質(zhì)的討論[D];復(fù)旦大學(xué);2014年

6 余鉅東;正則化方法解決神經(jīng)網(wǎng)絡(luò)稀疏化問題[D];大連理工大學(xué);2015年

7 高路;基于Bregman的CT稀疏角度迭代重建研究[D];西安電子科技大學(xué);2014年

8 周陽權(quán);井地電阻率成像2.5D正反演及其應(yīng)用研究[D];東華理工大學(xué);2015年

9 趙莉平;兩類分數(shù)次微分相關(guān)反問題的正則化方法[D];西北師范大學(xué);2015年

10 何淑梅;雙層球域上逆熱傳導(dǎo)問題的經(jīng)典正則化方法[D];西北師范大學(xué);2015年

，

本文編號：2477505