机器学习中的核覆盖算法

基于统计学习理论的支持向量机(SVM)方法在样本空间或特征空间构造最优分类超平面解决了分类器的构造问题,但其本质是二分类的,且核函数中的参数难以确定,计算复杂性高.构造性学习算法根据训练样本构造性地设计分类网络,运行效率高,便于处理多分类问题,但存在所得的分界面零乱、测试计算量大的缺点.该文将SVM中的核函数法与构造性学习的覆盖算法相融合,给出一种新的核覆盖算法.新算法克服了以上两种模型的缺点,具有运算速度快、精度高、鲁棒性强的优点.其次,文中给出风险误差上界与覆盖个数的关系.最后给出实验模拟,模拟结果证明了新方法的优越性.

核覆盖算法在光谱分类问题中的研究

针对光谱分类,提出了一种基于核技巧的覆盖算法——核覆盖算法。该算法将核技巧与覆盖算法相结合,并在特征空间中抽取支持向量。实验表明核覆盖算法在光谱分类中的精度与SVM相差不大,但是它只涉及距离的计算,不必象SVM那样求解二次规划问题,对于核宽的选择也不象SVM那样非常敏感。核覆盖算法与覆盖算法相比分类性能相当,它的优势在于引入的非线性映射Φ改变了样本集在特征空间中之间的距离关系,使得核覆盖算法得到的支持向量个数大大少于覆盖算法。

基于交叉覆盖算法的改进算法——核平移覆盖算法

文中对前向神经网络交叉覆盖算法进行了分析,并在此基础上引入统计学习理论中的核函数,提出了两者结合的方法———核平移覆盖算法(简称KMCA)。KMCA通过Mercer核,将输入空间的样本映射到高维特征空间,然后先覆盖、后平移,以使覆盖领域局部最优,实现在核空间中分类识别。实验的结果证明了KMCA的可行性和有效性。

基于核覆盖算法的中文文本分类研究

文中介绍了使用核覆盖算法进行中文文本分类.研究了采取不同的特征选取方法、利用核覆盖算法进行文本分类的区别.通过实验,除互信息外的其它几种特征选取方法在核覆盖算法分类过程中均取得了较优的实验结果,可看出核覆盖算法在文本分类中是一个不错的方法.

基于覆盖算法的煤炭供应商评测模型

阐述了当前进行煤炭供应商评测的方法以及这些方法的弊端。针对这种弊端,根据煤炭供应商评测的特点,利用前向神经网络的交叉覆盖算法及其改进算法对煤炭供应商供货质量进行了评测,在实验中将其与统计理论中加权平均的方法进行比较,证明取得了不错的效果,同时证明了核覆盖算法对交叉覆盖算法的改进。

基于核覆盖的模拟电路软故障诊断方法

针对神经网络故障诊断中网络结构难以确定的问题,文中构建了一种基于核覆盖的神经网络模型进行故障诊断。首先利用小波变换提取各频带小波系数作为故障特征值,然后利用提取出来的故障特征构造出基于核覆盖的神经网络模型进行训练,最后用训练好的神经网络模型完成模拟电路的故障诊断。该方法针对样本自身的特点构造神经网络,有效解决了传统神经网络中结构难以确定及运算速度缓慢的问题。通过仿真结果可知,该方法能有效地构建三层神经网络,并获得了较高的故障诊断正确率。

番茄不同病害类型的图像特征精准识别仿真

番茄不同病害特征具有一定相似性,为准确获取病害类型,提出基于构造性核覆盖算法的番茄病害图像识别方法。使用均值滤波算法计算像素点加权平均值过滤噪声;经过开、闭运算,去除孤立点,改善边界模糊现象;采用最大类间方差法获取目标、背景的阈值,分割图像;利用RGB空间模型得到图像颜色特征,分别通过Hough变换与灰度级共生矩阵,获得图像边界与纹理细节,提取病害特征;选取输入图像集合与核函数,经过空间平面变换,将图像映射在核空间内确定覆盖中心,构建覆盖领域,完成图像识别。仿真结果表明,所提方法能够提高图像信噪比,针对不同病害类型,均有较高的识别精度。