多核学习方法

多核学习方法是当前核机器学习领域的一个新的热点.核方法是解决非线性模式分析问题的一种有效方法,但在一些复杂情形下,由单个核函数构成的核机器并不能满足诸如数据异构或不规则、样本规模巨大、样本不平坦分布等实际的应用需求,因此将多个核函数进行组合,以获得更好的结果是一种必然选择.本文根据多核的构成,从合成核、多尺度核、无限核三个角度,系统综述了多核方法的构造理论,分析了多核学习典型方法的特点及不足,总结了各自的应用领域,并凝炼了其进一步的研究方向.

一种新的基于短时傅里叶变换的时频分析方法

为获取非平稳多分量多项式相位信号更精确的时间和频率信息,研究了基于短时傅里叶变换(STFT)迭代实现的多项式Wigner-Ville分布(PWVD)、L和S类高阶时频分布的方法。依据定量时频聚集准则,提出迭代参数自适应最优化选择方法。与其他时频方法相比,在保持STFT对多分量信号无交叉干扰特性的前提下,此方法进一步提高了时频聚集性。通过仿真实验验证了本文给出方法的有效性。