10.3969/j.issn.1001-2400.2016.01.007
快速随机多核学习分类算法
多核学习是整合多个子核在一个优化框架内，从而寻求到多个子核之间的一个最佳线性组合，而且多核学习可以获得比单核学习更好的分类性能。受极限学习思想的启发，提出了快速随机多核学习分类方法。当满足极限学习的理论框架时，可以在构造核的过程中，对参数随机赋值，构造一种随机核。可以缩减子核的规模，加快了多核学习的计算时间，并且节省了内存空间，使得多核学习可以处理更大规模的问题。另外，通过使用经验 Rademacher 复杂度来分析多核学习的一般性误差，从而获得比原有多核学习更高的分类精度。结果表明，与经典的快速多核学习算法相比，文中提供的算法计算更快，占用内存空间更小，分类精度更高。
多核学习、极限学习、随机核、经验 Rademacher 复杂度
TP775(遥感技术)
国家973计划资助项目2013CB329402；国家自然科学基金资助项目61272282；新世纪人才计划资助项目NCET-13-0948
2016-04-14（万方平台首次上网日期，不代表论文的发表时间）
共5页
36-40
