文献类型：期刊文章

作　　者：胡庆辉[1,2] 李志远[2]

机构地区：[1]武汉大学软件工程国家重点实验室,武汉430072 [2]桂林航天工业学院广西高校机器人与焊接技术重点实验室培育基地,广西桂林541004

出　　处：《计算机应用研究》

基　　金：国家自然科学基金资助项目(11301106);广西自然科学基金资助项目(2014GXNSFAA1183105;2016GXNSFAA380226);广西高校科研项目(ZD2014147;YB2014431)

年　　份：2016

卷　　号：33

期　　号：11

起止页码：3219-3222

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CSA-PROQEUST、CSCD、CSCD_E2015_2016、IC、INSPEC、JST、RCCSE、UPD、ZGKJHX、ZMATH、核心刊

摘　　要：针对传统的分类器集成的每次迭代通常是将单个最优个体分类器集成到强分类器中,而其他可能有辅助作用的个体分类器被简单抛弃的问题,提出了一种基于Boosting框架的非稀疏多核学习方法 MKL-Boost。利用分类器集成学习的思想,每次迭代时,首先从训练集中选取一个训练子集,然后利用正则化非稀疏多核学习方法训练最优个体分类器,求得的个体分类器考虑了M个基本核的最优非稀疏线性凸组合,通过对核组合系数施加LP范数约束,一些好的核得以保留,从而保留了更多的有用特征信息,差的核将会被去掉,保证了有选择性的核融合,再将基于核组合的最优个体分类器集成到强分类器中。提出的算法既具有Boosting集成学习的优点,同时具有正则化非稀疏多核学习的优点,实验表明,相对于其他Boosting算法,MKL-Boost可以在较少的迭代次数内获得较高的分类精度。

关 键 词：集成学习  非稀疏多核学习  弱分类器 基本核  

分 类 号：TP181]