隨機多尺度核學習及應用.pdf

1、本文提出了一種簡單的多核學習框架，用于對復雜數(shù)據(jù)的回歸問題進行建模.選取多尺度的高斯核函數(shù)作為基本內核，根據(jù)隨機配置的方法設置核尺度參數(shù).結合l1正則化方法，利用樣本自適應地選擇最優(yōu)的模型參數(shù)，構造一個具有稀疏約束的單任務機器學習解決方法.之后拓展該多核學習框架于多任務學習模型，采用經典的l2，1多任務正則化方法提出一個基于隨機多尺度核的組稀疏多任務模型來對傳統(tǒng)的線性多任務模型進行改良.在此基礎上，分析隨機多尺度核l2，1正則化多任務模

2、型在運算效率等方面的缺陷，分析共享隱層神經元網絡的多任務方法與生成網絡的內在機理，構造隨機多尺度核的生成網絡多任務模型并對殘差的極限問題進行研究.
　　隨機設置核參數(shù)的方法所提供的基函數(shù)具有充分的近似能力，參數(shù)通過在某個預置的概率分布中隨機抽樣取得，概率分布參數(shù)與核參數(shù)是通過在訓練樣本中執(zhí)行交叉驗證的技術計算得到的.數(shù)據(jù)實驗主要分為單任務算法與多任務算法兩個部分，分別對模擬數(shù)據(jù)與真實數(shù)據(jù)數(shù)據(jù)進行建模分析，結果表明隨機多尺度核方法對