基于多尺度高斯核的分布式正则化回归学习算法

• 作者: 王洁微 董雪梅
• 来源期刊: 模式识别与人工智能
• 学科: 工学
• 关键词: 多尺度核 核方法 分布式学习 最小二乘正则化回归
• 年，卷（期）: 2019,（7）
• 所属期刊栏目: 论文与报告
• 页码范围: 589-599
• 页数: 11页
• 分类号: TP181
• 字数: 9376字
• 语种: 中文
• DOI: 10.16451/j.cnki.issn1003-6059.201907002

摘要

针对工业、信息等领域出现的基于较大规模、非平稳变化复杂数据的回归问题,已有算法在计算成本及拟合效果方面无法同时满足要求.因此,文中提出基于多尺度高斯核的分布式正则化回归学习算法.算法中的假设空间为多个具有不同尺度的高斯核生成的再生核Hilbert空间的和空间.考虑到整个数据集划分的不同互斥子集波动程度不同,建立不同组合系数核函数逼近模型.利用最小二乘正则化方法同时独立求解各逼近模型.最后,通过对所得的各个局部估计子加权合成得到整体逼近模型.在2个模拟数据集和4个真实数据集上的实验表明,文中算法既能保证较优的拟合性能,又能降低运行时间.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	董雪梅	浙江工商大学统计与数学学院	2	3	1.0	1.0
2	王洁微	浙江工商大学统计与数学学院	1	0	0.0	0.0