没有合适的资源?快使用搜索试试~ 我知道了~
首页极大切割构造:提升组合凸线性感知器性能
"组合凸线性感知器(Multiconlitron)是一种用于构建分片线性分类器的理论框架,特别适用于处理凸可分和叠可分的数据集。它通过支持凸线性感知器算法(SCA)和支持组合凸线性感知器算法(SMA)来区分两类样本。在这一背景下,提出了一种新的极大切割构造方法,旨在优化分类模型的性能和简洁性。 极大切割构造方法主要分为两个阶段:极大切割过程(MCP)和边界调整过程(BAP)。在MCP阶段,算法通过迭代寻找能够最大程度分离样本的线性边界,不断构建决策函数集,目的是最小化线性函数的数量,从而简化模型。这一过程有助于减少过拟合的风险,提升模型的泛化能力。 在BAP阶段,对MCP产生的初步分类边界进行二次训练,微调边界位置以优化分类效果。这个步骤是为了进一步提升感知器的泛化性能,确保模型在未见过的数据上也能有良好的表现。 通过数值实验,该方法被证明能够生成更合理的分类模型,提高感知器的整体性能。与传统的分片线性分类器对比,极大切割构造方法显示出了其有效性和竞争力。这表明该方法不仅在理论上具有先进性,在实践中也有实际应用价值。 关键词聚焦于组合凸线性感知器、极大切割、两阶段训练、泛化能力和分片线性分类器,强调了这种方法的核心要素和技术特点。文献引用格式和DOI提供了进一步研究和参考的途径。 Multiconlitron的最大切割构造方法为复杂数据集的分类问题提供了一个高效的解决方案,通过精心设计的训练过程,实现了模型的优化和性能提升,具有广泛的应用前景。"
资源详情
资源推荐
第 40 卷 第 4 期 自 动 化 学 报 Vol. 40, No. 4
2014 年 4 月 ACTA AUTOMATICA SINICA April, 2014
组合凸线性感知器的极大切割构造方法
冷强奎
1
李玉鑑
1
摘 要 组合凸线性感知器 (Multiconlitron) 是用来构造分片线性分类器的一个通用理论框架, 对于凸可分和叠可分情况, 分
别使用支持凸线性感知器算法 (Support conlitron algorithm, SCA) 和支持组合凸线性感知器算法 (Support multiconlitron
algorithm, SMA) 将两类样本分开. 本文在此基础上, 提出了一种基于极大切割 (Maximal cutting) 的组合凸线性感知器构造
方法. 该方法由两阶段训练构成, 第一阶段称为极大切割过程 (Maximal cutting process, MCP), 通过迭代不断寻求能够切开
最多样本的线性边界, 并因此来构造尽可能小的决策函数集, 最大程度减少决策函数集中线性函数的数量, 最终简化分类模型.
第二阶段称为边界调整过程 (Boundary adjusting process, BAP), 对 MCP 得到的初始分类边界进行一个二次训练, 调整边
界到适当位置, 以提高感知器的泛化能力. 数值实验说明, 此方法能够产生更为合理的分类模型, 提高了感知器的性能. 同其他
典型分片线性分类器的性能对比, 也说明了这种方法的有效性和竞争力.
关键词 组合凸线性感知器, 极大切割, 两阶段训练, 泛化能力, 分片线性分类器
引用格式 冷强奎, 李玉鑑. 组合凸线性感知器的极大切割构造方法. 自动化学报, 2014, 40(4): 721−730
DOI 10.3724/SP.J.1004.2014.00721
Maximal Cutting Construction for Multiconlitron
LENG Qiang-Kui
1
LI Yu-Jian
1
Abstract Multiconlitron is a general framework for constructing piecewise linear classifiers. For convexly separable and
commonly separable data sets, it can separate them correctly by using support conlitron algorithm (SCA) and support
multiconlitron algorithm (SMA), respectively. On this basis, the paper proposes a maximal cutting construction method
for multiconlitron design. The method consists of two training processes. In the first step, the maximal cutting process
(MCP) is utilized iteratively to find a linear boundary such that it can obtain the maximum number of samples. Thus,
the MCP can reduce the number of linear boundaries and construct a minimal set of decision functions, and ultimately
simplify the classification model. To improve the generalization ability further, in the second step we employ a b oundary
adjusting process (BAP) to make the classification boundaries more fittable. Experiments on both synthetic and real data
sets show that the presented method can produce more reasonable multiconlitron with better performance. Comparison
with some other piecewise linear classifiers verifies its effectiveness and competitiveness.
Key words Multiconlitron, maximal cutting, two-step training, generalization ability, piecewise linear classifier
Citation Leng Qiang-Kui, Li Yu-Jian. Maximal cutting construction for multiconlitron. Acta Automatica Sinica, 2014,
40(4): 721−730
分片线性学习的核心是构造分片线性分类器,
这是一项具有挑战性并且复杂的任务, 是模式识别
领域中的一个基本问题. 由于分片线性分类器确定
收稿日期 2012-10-12 录用日期 2013-10-25
Manuscript received October 12, 2012; accepted October 25,
2013
国家自然科学基金 (61175004), 北京市自然科学基金 (4112009), 北
京市教委科技发展重点项目 (KZ201210005007), 高等学校博士学科点
专项科研基金 (20121103110029) 资助
Supported by National Natural Science Foundation of China
(61175004), Natural Science Foundation of Beijing (4112009),
Beijing Municipal Education Commission Science and Technol-
ogy Development Plan Key Project (KZ201210005007), and Spe-
cialized Research Fund for the Doctoral Program of Higher Ed-
ucation (20121103110029)
本文责任编委 张长水
Recommended by Associate Editor ZHANG Chang-Shui
1. 北京工业大学计算机学院 北京 100124
1. College of Computer Science, Beijing University of Technol-
ogy, Beijing 100124
的决策面由若干个超平面段组成, 所以与一般超曲
面相比, 仍然是简单易于实现的, 且需要较少的内存
消耗. 同时由于它是由多段超平面组成的, 所以它能
逼近各种形状的超曲面, 具有很强的适应能力
[1]
.
由 于 上 述 令 人 熟 知 的 优 点, 分 片 线 性 分 类
器 已 经 引 起 了 很 大 关 注, 许 多 设 计 分 片 线 性 分
类器的方 法也 被提 出来. Nilsson 的 Committee
machine
[2]
可看作分片线性分类器的特殊形式, 但
需要进行复杂的判别步骤并花费巨大的计算代价.
Mangasarian
[3]
利用线性规划算法来构造分片线性
分类器, Herman 等
[4]
后来提出了一种相似但更好
的策略, 即在构造过程中使用线性异常函数 (Linear
abnormality functions). 然而上述两个方法需要执
行线性规划多次, 代价较高.
在 1980 年, Sklansky 等
[5]
提出一种局部训练
的方法来设计分片线性分类器. 首先使用 Forgy 聚类
下载后可阅读完整内容,剩余9页未读,立即下载
weixin_38558660
- 粉丝: 2
- 资源: 937
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- C++多态实现机制详解:虚函数与早期绑定
- Java多线程与异常处理详解
- 校园导游系统:无向图实现最短路径探索
- SQL2005彻底删除指南:避免重装失败
- GTD时间管理法:提升效率与组织生活的关键
- Python进制转换全攻略:从10进制到16进制
- 商丘物流业区位优势探究:发展战略与机遇
- C语言实训:简单计算器程序设计
- Oracle SQL命令大全:用户管理、权限操作与查询
- Struts2配置详解与示例
- C#编程规范与最佳实践
- C语言面试常见问题解析
- 超声波测距技术详解:电路与程序设计
- 反激开关电源设计:UC3844与TL431优化稳压
- Cisco路由器配置全攻略
- SQLServer 2005 CTE递归教程:创建员工层级结构
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功