多核学习(MKL)的最优化问题由经验风险、正则项两部分组成，其解的稀疏性取决于正则项中的权值范数。多核学习(MKL)通过多种核函数的组合，实现了对多种特征集合的表示，有利于对多源数据的处理。本发明提出的非稀疏多核学习，采用凸优化学习算法，在组内的核函数采用l1范数，相当于仅选择最重要的核函数进行组合，以提升稀疏性；在组间采用l2范数，相当于平等地选择处于不同子空间的核函数，以提高学习和预测的精度。这种非稀疏多核学习问题采用，Mirro-Descent(MD)方法求解，达到了既提高学习精度，又提高学习速度的目的。
声明：
“基于凸优化的多核学习新算法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究，如用于商业用途，请联系该技术所有人。
我是此专利(论文)的发明人(作者)
1088
编辑：管理员
来源：北方有色网
咨询细节
