一种处理非均衡数据的非迭代核逻辑回归方法

针对严重非均衡数据提出一种非迭代核逻辑回归的学习方法.该方法是对经典处理核逻辑回归的迭代加权最小二乘方法的一种改进,不仅减轻了由于迭代所造成的运算负担,而且在模型训练中利用了基准的类别占比信息,避免了使用诸如欠抽样、过抽样、代价敏感学习等通常处理非均衡数据的方式所导致的问题,使得在数据规模大的非均衡数据情形下,可以方便快捷地对核逻辑回归进行建模,构造具有稳健性的修正最小二乘逻辑回归分类器.理论研究表明,所提方法具有一定的优良性质,模拟研究及实证分析显示其分类效果良好.

核典型关联性分析相关特征提取与核逻辑斯蒂回归域自适应学习

本文提出了一种利用核典型关联性分析提取源域目标域最大相关特征,使用核逻辑斯蒂回归模型进行域自适应学习的算法,该算法称为KCCA-DAML(Kernel Canonical Correlation Analysis for Domain Adaptation Learning).该算法基于特征集关联性分析,有效的减小源域和目标域的概率分布差异性,利用提取的最大相关特征通过核逻辑斯蒂回归模型实现源域到目标域的跨域学习.实验比较源域数据上核逻辑斯蒂学习模型、目标域上核逻辑斯蒂学习模型、源域和目标域上核逻辑斯蒂学习模型和KCCA-DAML模型,结果显示KCCA-DAML在真实数据集上成功的实现了跨域学习.

联合核稀疏多元逻辑回归和TV-L1错误剔除的高光谱图像分类算法

稀疏多元逻辑回归(SMLR)是高光谱监督分类中的重要方法,然而仅仅利用光谱信息的SMLR忽略了影像本身的空间特征,在少量监督样本下的分类精度和算法的鲁棒性仍明显不足;虽然通过引入核技巧,核稀疏多元逻辑回归(KSMLR)可以部分克服上述缺点,其分类错误仍然有待进一步降低.本文基于核稀疏多元逻辑回归分类误差的统计建模分析,提出一种联合核稀疏多元逻辑回归和正则化错误剔除的高光谱图像分类模型.提出的模型通过引入隐概率场,采取L1范数度量KSMLR分类误差的重尾特性建立数据保真项;利用全变差(Total Variation,TV)正则化度量隐概率场的局部空间光滑性.由Indian Pines和University of Pavia数据集等实测数据应用表明,该方法可以得到更鲁棒和更高的分类精度.

输电线路故障分析多分类模型研究及应用

为了有效而准确地分析智能电网中输电线路故障和寻找诱发故障的主要因素,研发了基于二叉树的核密度逻辑回归多分类模型,以解决输电线路不对称故障分析的问题。该模型根据Nadaraya-Watson密度估计将训练数据映射到了特定的特征空间,根据二叉树结构特点将多个DLR模型组合成一个具有多分类能力的二叉树,并加以优化。实验结果表明,基于MCDLR的分类结果在准确率上和分类时间上明显优于已有的传统的多分类算法。