核函数的度量研究进展

被引：12

作者：

汪廷华 ^{[1
]}

陈峻婷 ^{[2
]}

机构：

[1] 赣南师范学院数学与计算机科学学院

[2] 赣南师范学院现代教育技术中心

来源：

计算机应用研究 | 2011年 / 28卷 / 01期

关键词：

核方法; 核函数; 核度量; 支持向量机; 分类;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

核函数的度量(简称核度量)研究两个核函数(或一个核函数与另一个目标函数)之间相似性的度量方法,是核函数研究中的一个重要课题。系统综述了核度量的研究状况以及目前的研究进展,分析了典型核度量方法的特点及不足,并凝炼了其进一步研究的方向。

引用

页码：25 / 28

页数：4

共 9 条

[1] 应用统计方法综合评估核函数分类能力的研究 [J].

王泳 ;

胡包钢 .

计算机学报, 2008, (06) :942-952

[2] 基于协同聚类的多核学习 [J].

牟少敏 ;

田盛丰 ;

尹传环 .

北京交通大学学报, 2008, (02) :10-13

[3] 支持向量分类和多宽度高斯核 [J].

常群 ;

王晓龙 ;

林沂蒙 ;

王熙照 ;

Daniel SYeung .

电子学报, 2007, (03) :484-487

[4] 支持向量机最优模型选择的研究 [J].

刘向东 ;

骆斌 ;

陈兆乾 .

计算机研究与发展, 2005, (04) :576-581

[5] Feature selection for SVM via optimization of kernel polarization with Gaussian ARD kernels [J].

Wang, Tinghua ;

Huang, Houkuan ;

Tian, Shengfeng ;

Xu, Jianfeng .

EXPERT SYSTEMS WITH APPLICATIONS, 2010, 37 (09) :6663-6668

[6] Choosing Multiple Parameters for Support Vector Machines [J].

Olivier Chapelle ;

Vladimir Vapnik ;

Olivier Bousquet ;

Sayan Mukherjee .

Machine Learning, 2002, 46 :131-159

[7]

Multiple KernelLearning,Conic Duality,and the SMO Algorithm .2 Bach F R,Lanckriet G R G,Jordan M I. ICML . 2004

[8]

Feature selection with kernel class separability .2 Wang Lei. IEEE Trans.on Pattern Analysis and Machine Intelligence . 2008

[9]

Lear-ning general Gaussian kernels by optimizing kernel polarization .2 WANG Ting-hua,HUANG Hou-kuan,TIAN Sheng-feng,et al. Chinese Journal of Electronics . 2009

← 1 →