基于半无限规划的弹性多核学习算法

在综合考虑L1和L2多核判别分析的优点基础上,引入弹性正则化.以预定内核函数的线性组合为基础,结合混合范数正则化函数平衡核权重的稀疏性和非稀疏性,提出了一种基于半无限规划的弹性多核判别分析学习算法(EM-KDA),该算法应用半无限规划算法求解弹性多核判别分析,并通过混合正则化来实现核的自学习.在不同数据集上的实验验证了算法的有效性,实验结果表明:该方法能够平衡L1和L2多核判别分析的稀疏性和非稀疏性,可以尽可能地利用基核的信息;与其他多核判别分析方法相比,具有更好的性能.

多核学习算法及其在高光谱图像分类中的应用研究进展

多核学习算法在高光谱图像分类领域占据着十分重要的地位。与灰度图像、全色图像和多光谱图像等相比,高光谱图像因具有很强的分类识别能力等多方面优势而被广泛应用。为进一步提高高光谱图像的分类精度,促进多核学习算法在高光谱图像分类中的应用,本文对多核学习算法及其在高光谱图像分类中的应用进行了总结。首先在回顾核方法的基础上阐述了多核学习框架,其次对多核学习核函数组合方法进行综述,随后根据求解多核学习组合系数方法的不同将多核学习分为两类:固定规则的多核学习算法和基于优化的多核学习算法,并对两类多核学习算法在高光谱图像分类中的应用进行综述,总结各类算法在高光谱图像分类的应用进展。同时,为了便于研究者对多核学习算法及其在高光谱图像分类问题中的应用研究,本文对常用核函数和高光谱图像数据集进行了整理归纳。最后,讨论了多核学习算法在高光谱图像分类研究方面的不足,并对未来研究方向进行了展望,以期为该领域的研究和应用提供参考。