基于稀疏性的機器學習方法研究.pdf

1、隨著信息技術的飛速發(fā)展，機器學習已經(jīng)發(fā)展成為當前人工智能領域的研究熱點之一。稀疏性理論已被成功應用于許多機器學習方法中。核學習和譜圖理論易于理解且具有較強推廣能力，是當今機器學習領域的熱點問題。本文將稀疏性引入到核函數(shù)的構造和圖矩陣的構造問題中，構造了幾種稀疏學習算法，采用標準測試問題驗證了其性能。研究內(nèi)容主要包括以下幾方面：
　　 (1)在現(xiàn)有的稀疏編碼分類算法的基礎上，提出一種稀疏中心核編碼分類算法。該方法首先通過k近鄰思想

2、在字典中選擇中心樣本，然后利用所有中心樣本構造稀疏核函數(shù)，將字典和測試樣本通過稀疏核函數(shù)映射至特征空間，最后在特征空間內(nèi)對映射后的測試樣本進行稀疏編碼，利用得到的稀疏系數(shù)和誤差判別函數(shù)進行分類。由于核映射時使用的是稀疏核函數(shù)，既增強了數(shù)據(jù)的可分性又減少了計算核函數(shù)的次數(shù)，使得該算法既能達到較高的識別精度，又能減少識別消耗時間。在常用的標準人臉數(shù)據(jù)庫和手寫體數(shù)字數(shù)據(jù)庫上進行的仿真實驗驗證了該算法的有效性。
　　 (2)提出了一種基

3、于核l1圖的半監(jiān)督分類算法。在現(xiàn)有的l1圖方法的基礎上，通過引入核的思想，使得線性不可分的樣本在特征空間內(nèi)變得線性可分。將核l1圖方法構造的圖矩陣與半監(jiān)督分類方法結合，構造了基于核l1圖的半監(jiān)督分類。由于獲得的圖矩陣增強了同類樣本間的相似性以及不同類樣本之間的差異性，因此在后續(xù)分類中可獲得更高的分類正確率。在標準人臉數(shù)據(jù)庫和手寫體數(shù)字數(shù)據(jù)庫上進行實驗仿真，結果顯示：與同類算法相比，分類正確率有明顯提高。
　　 (3)提出了一種基