-
题名基于小批量梯度下降法的高斯核参数优化
- 1
-
-
作者
肖玉麟
-
机构
福建技术师范学院大数据与人工智能学院
-
出处
《福建技术师范学院学报》
2023年第2期149-155,共7页
-
文摘
核函数是核方法的重要组成部分,设计得好坏直接影响模型的分类效果,高斯核函数以其优良的特性被广泛应用,但高斯核参数的优化十分困难.针对此问题,使用核目标度量准则制定目标函数,将问题转化为求极小值的最优化问题,利用小批量梯度下降法求解目标函数.在十六组机器学习领域常用的数据集上进行测试,实验结果表明,该方法均具有最短的训练时间和较高的分类准确率.
-
关键词
核方法
高斯核函数
核目标度量准则
小批量梯度下降法
-
Keywords
kernel-based methods
Gaussian kernel function
kernel target alignment
mini-batch gradient descent method
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名KTA-SVM的变压器油中溶解气体浓度预测
被引量：6
- 2
-
-
作者
唐勇波
丰娟
-
机构
宜春学院物理科学与工程技术学院
江西工程学院电子信息工程学院
宜春学院生命科学与资源环境学院
-
出处
《控制工程》
CSCD
北大核心
2017年第11期2263-2267,共5页
-
基金
国家自然科学基金(51366013)
江西省教育厅科技项目(GJJ161015)
-
文摘
针对变压器油中溶解气体浓度预测中存在的变量取值范围影响预测精度问题,提出了基于核目标度量规则(Kernel Target Alignment,KTA)和支持向量机(Support Vector Machines,SVM)的油中溶解气体浓度预测方法。在分析油中溶解气体产生机理的基础上选取输入变量,采用KTA对输入变量进行尺度缩放来避免变量的取值范围影响SVM泛化性能问题,利用交叉验证法选择SVM的参数,建立油中溶解气体浓度的KTA-SVM预测模型。将所提出的方法与SVM和灰色模型进行比较,均方根误差分别为0.156 8、0.179 1、0.220 5,实验结果表明了所提出的方法具有较优的预测精度和泛化性能。
-
关键词
变压器油
油中溶解气体
预测
支持向量机
核目标度量
-
Keywords
Transformer oil
dissolved gas in oil
prediction
support vector machine
kernel target alignment
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
TM855
[电气工程—高电压与绝缘技术]
-
-
题名基于KTA-LSSVM的青霉素发酵过程预测建模
- 3
-
-
作者
丰娟
唐勇波
彭涛
-
机构
宜春学院生命科学与资源环境学院
宜春学院物理科学与工程技术学院
中南大学信息科学与工程学院
-
出处
《化工进展》
EI
CAS
CSCD
北大核心
2014年第9期2438-2443,共6页
-
基金
国家自然科学基金项目(61273169)
-
文摘
为解决青霉素发酵过程预测建模中存在的输入变量选择问题,提出了基于核目标度量(kernel target alignment,KTA)和最小二乘支持向量机(least squares support vector machines,LSSVM)的青霉素发酵过程预测模型。首先,在分析影响青霉素产物浓度相关因素的基础上选取输入变量,采用KTA对输入变量进行尺度缩放,然后,利用Pensim仿真平台数据,采用混沌粒子群算法对LSSVM的参数寻优,建立青霉素发酵过程的KTA-LSSVM预测模型。青霉素浓度预测的KTA-LSSVM模型均方根误差为0.0179,LSSVM模型的均方根误差为0.0276,实验结果表明,本文提出的模型预测精度高,推广性能好。
-
关键词
青霉素发酵过程
核目标度量
尺度缩放
最小二乘向量机
预测
-
Keywords
penicillin fed-batch fermentation
kernel target alignment
rescaling
least squares support vector machines
prediction
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
TQ465.1
[化学工程—制药化工]
-
-
题名多尺度核方法的自适应序列学习及应用
被引量：12
- 4
-
-
作者
汪洪桥
蔡艳宁
孙富春
赵宗涛
-
机构
清华大学计算机科学与技术系
第二炮兵工程学院指挥自动化系
-
出处
《模式识别与人工智能》
EI
CSCD
北大核心
2011年第1期72-81,共10页
-
基金
国家重点基础研究专项基金(No.G2007cb311003)
国家自然科学杰出青年基金(No.60625304
60621062)资助项目
-
文摘
多尺度核方法是当前核机器学习领域的一个热点.通常多尺度核的学习在多核处理时存在诸如多核平均组合、迭代学习时间长、经验选择合成系数等弊端.文中基于核目标度量规则,提出一种多尺度核方法的自适应序列学习算法,实现多核加权系数的自动快速求取.实验表明,该方法在回归精度、分类正确率方面比单核支持向量机方法结果更优,函数拟合与分类稳定性更强,证明该算法具有普遍适用性.
-
关键词
核方法
多核学习
多尺度核
核目标度量
回归
模式分类
-
Keywords
Kernel Method, Multiple Kernel Learning, Multi-Scale Kernel, Kernel Target Alignment,Regression, Pattern Classification
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
