典型文献
基于中心核对齐的多核单类支持向量机
文献摘要：
多核学习(MKL)方法在分类及回归任务中均取得了优于单核学习方法的性能,但传统的MKL方法均用于处理两类或多类分类问题.为了使MKL方法适用于处理单类分类(OCC)问题,提出了基于中心核对齐(CKA)的单类支持向量机(OCSVM).首先利用CKA计算每个核矩阵的权重,然后将所得权重用作线性组合系数,进而将不同类型的核函数加以线性组合以构造组合核函数,最后将组合核函数引入到传统OCSVM中代替单个核函数.该方法既能避免核函数的选取问题,又能提高泛化性能和抗噪声能力.在20个UCI基准数据集上与其他五种相关方法进行了实验比较,结果表明该方法在13个数据集上的几何均值(g-mean)均高于其他对比方法,而传统的单核OCSVM仅在2个数据集上的效果较好,局部多核单类支持向量机(LMKOCSVM)和基于核目标对齐的多核单类支持向量机(KTA-MKOCSVM)在5个数据集上的分类效果较好.因此,通过实验比较充分验证了所提方法的有效性.
文献关键词：
多核学习;中心核对齐;单类支持向量机;单类分类;核函数
中图分类号：
作者姓名：
祁祥洲;邢红杰
作者机构：
河北省机器学习与计算智能重点实验室(河北大学数学与信息科学学院),河北保定071002
文献出处：
引用格式：
[1]祁祥洲;邢红杰-.基于中心核对齐的多核单类支持向量机)[J].计算机应用,2022(02):349-356
A类：
中心核对齐,LMKOCSVM,MKOCSVM
B类：
单类支持向量机,多核学习,MKL,多类分类,分类问题,单类分类,OCC,CKA,核矩阵,重用,线性组合,组合系数,核函数,中代,泛化性能,抗噪声能力,UCI,基准数据集,相关方法,几何均值,mean,比方,KTA,分类效果
AB值：
0.276105
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
