文献类型：期刊文章

作　　者：黄成泉[1,2] 王士同[1] 蒋亦樟[1] 董爱美[1,3]

机构地区：[1]江南大学数字媒体学院,江苏无锡214122 [2]贵州民族大学工程实训中心,贵阳550025 [3]齐鲁工业大学信息学院,济南250353

出　　处：《控制与决策》

基　　金：国家自然科学基金项目(61272210;61202311);江苏省自然科学基金项目(BK2012552);贵州省科学技术基金项目(黔科合J字[2013]2136号;黔科合J字LKM[2013]23)

年　　份：2015

卷　　号：30

期　　号：8

起止页码：1356-1364

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CSA、CSA-PROQEUST、CSCD、CSCD2015_2016、EI(收录号：20154501525861)、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：核化一类硬划分SVDD、一/二类L2-SVM、L2支持向量回归和Ranking SVM均已被证明是中心约束最小包含球.这里将多视角学习引入核化L2-SVM,提出核化两类多视角L2-SVM(Multi-view L2-SVM),并证明该核化两类Multi-view L2-SVM亦为中心约束最小包含球,进而提出一种多视角核心向量机Mv CVM.所提出的Multi-view L2-SVM和Mv CVM既考虑了视角之间的差异性,又考虑了视角之间的关联性,使得分类器在各个视角上的学习结果趋于一致.人造多视角数据集和真实多视角数据集的实验均表明了Multi-view L2-SVM和Mv CVM方法的有效性.

关 键 词：多视角  视角差异性  视角关联性  一致性 核心向量机  

分 类 号：TP391.4]