基于多核学习的风格正则化最小二乘支持向量机

作     者：沈浩 王士同 SHEN Hao;WANG Shitong

作者机构：江南大学数字媒体学院江苏无锡214122 江南大学江苏省媒体设计与软件技术重点实验室江苏无锡214122 

出 版 物：《计算机科学与探索》 (Journal of Frontiers of Computer Science and Technology)

年 卷 期：2020年第14卷第9期

页      面：1532-1544页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(No.61572236) 

主　　题：最小二乘支持向量机(LSSVM) 多核学习 风格化数据 风格信息 

摘      要：当前的多核学习方法结合了不同核函数在对数据的物理特性表示上的能力,但在风格化数据集中不能充分利用样本中所隐含的风格信息。由此,提出应用于风格化数据的基于多核学习的风格正则化最小二乘支持向量机(MK-SRLSSVM)。算法利用风格转换矩阵表示包含在样本中的风格信息,并在目标函数中对其进行正则化处理,通过常用的交替优化方法对目标函数进行优化,在迭代过程中同步更新风格转换矩阵和分类器参数。为在预测过程中利用已学习的风格信息,在传统预测方法中增加了两种新的规则,在分类之前预先使用风格转换矩阵对样本风格进行标准化处理。所提出的分类器不仅利用了现有多核学习算法在表示样本的物理特征方面的优势,同时有效挖掘了数据集内包含的风格信息以提高分类性能,在风格化数据集中的实验结果证明了算法的有效性。