导读:本文包含了基于核的学习算法论文开题报告文献综述、选题提纲参考文献，主要关键词:多核,正则,乳腺癌,分布式,方法,尺度,小二。
基于核的学习算法论文文献综述写法
邢一鸣,班晓娟,刘旭,尹航,沈晴[1]（2019）在《基于核超限学习机群组算法的交通拥堵预测》一文中研究指出城市交通拥堵预测是智能交通系统研究的重要内容之一。交通运行状态具有高度不确定性和复杂性,目前已经有多种基于神经网络的预测技术被引入交通预测领域中。然而,传统的神经网络具有训练时间长、易陷入过拟合和局部最优等缺点,这严重阻碍了神经网络在交通预测领域的大规模应用。超限学习机是一种新型的单隐层前馈神经网络,具有泛化能力强、训练速度快、产生唯一最优解等诸多优点。基于超限学习机算法,文中提出了核超限学习机群组算法,此算法由多个超限学习机子模型组成,每个子模型只负责某一类样本的学习,该算法使每一类样本均能达到全局最优,整体可以获得比超限学习机更高的预测准确率。实验结果表明,单进程的核超限学习机群组算法比超限学习机的训练时间稍短,但前者的准确率较后者提高了8%;相比其他流行的机器学习算法,核超限学习机群组算法的训练速度快、预测准确度高;经过核超限学习机群组算法预测的结果与实际情况较为符合,可靠性高,具有很强的实用价值。(本文来源于《计算机科学》期刊2019年11期）
董雪梅,王洁微[2]（2019）在《基于多尺度高斯核的分布式正则化回归学习算法》一文中研究指出针对工业、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.(本文来源于《模式识别与人工智能》期刊2019年07期）
王婧[3]（2019）在《基于核机器学习的阿尔兹海默病早期诊断算法研究》一文中研究指出先前的研究表明,在阿尔兹海默病(AD)的计算机辅助诊断中,可用样本量通常较小,特征维度较高,且组内特征和组间特征关系很复杂,而传统的机器学习方法不能很好地解决这些问题,从而导致判断失误,准确率不高。针对这些问题,本文重点研究了如何将核方法与传统机器学习相结合,来达到一个较好的特征选择效果及较高的分类准确率。第一,提出了基于KPCA-FDA和KSVM的AD早期诊断算法。将核方法与主成分分析(PCA)、Fisher判别分析(FDA)和支持向量机(SVM)相结合,来提高AD的分类性能。首先,将原始特征子集放到核主成分分析(KPCA)模块中,再将原始数据集投影到较高维度的核空间上,降低主分量系数以增加线性可分离性;然后,将KPCA系数投影到更有效的FDA中,从而选择最优特征子集;最后,利用核支持向量机(KSVM)并结合新的特征子集,对AD、NC和MC叁组数据进行分类,从而达到一个较好的分类效果。采用被试的sMRI数据进行实验,结果表明,该方法在区分AD和NC时表现了良好的分类性能,获得的分类准确性为92.34%,灵敏度为91.71%,特异性为90.04%,AUC为0.9143;在区分MCI和NC时获得的分类准确率为75.49%,灵敏度为80.45%,特异性为70.23%,AUC为0.8036。第二,提出了基于MK-SVM的多模态AD早期诊断算法。将sMRI和PET数据相结合,获取更多的辅助信息,从而提高AD的分类性能。首先,将FDA、核方法和局部保留投影(LPP)算法相结合,生成内核局部Fisher判别分析(KLFDA)算法,对提取的sMRI和PET数据特征进行降维处理;然后,提出了两种基于多核学习(MKL)的多元分类方法,WTA-KSVM和MWV-KSVM对AD、MCI和NC叁组数据进行分类;最后,采用被试的sMRI和PET两种模态数据验证分类算法的性能。结果表明,两种多元分类方法在多模态数据(sMRI+PET)上获得的分类效果,要比在单模态数据(sMRI或PET)上获得的分类效果好。其中,WTA-KSVM方法取得了最好的分类性能,分类准确率为80.41%,灵敏度为81.56%,特异性为80.58%,AUC为0.8175;MWV-KSVM获得的分类准确率为80.07%,灵敏度为81.23%,特异性为80.16%,AUC为0.8114。与其他人的方法相比,本文所提的两种多元分类方法均取得了较好的分类性能。本文在核方法和机器学习的基础上对AD的早期诊断进行了初步的探索和研究,提出了两种基于核机器学习的AD早期诊断算法,为后人的研究提供了一些思路和方向。(本文来源于《曲阜师范大学》期刊2019-06-10）
陶明欣[4]（2019）在《基于改进的多核学习算法的乳腺癌亚型预测》一文中研究指出由于乳腺癌不同亚型之间在临床诊断以及设计治疗方案上的显着不同,因此利用高通量数据探索乳腺癌不同亚型之间的区别具有重要的意义。生物信息学领域出现了多种类型的数据库并在不断在完善,其中包含组学数据库、有关酶的数据库等多种类型,便于利用各类数据进行各种研究。整合多种不同的组学数据有助于提高预测的准确度,能够进一步认识乳腺癌不同亚型之间的区别。乳腺癌作为一种高度特异性的癌症,在女性中也有着较高的患病率与死亡率,虽然随着医疗水平和方法的不断提升,患有乳腺癌病人总体的治愈率在不断提高,但由于不同亚型特点不同,同时每种亚型的生存率也各不相同。对乳腺癌患者早期进行亚型的鉴定有助于医疗工作者根据患者的不同亚型来制定不同的治疗方案,因此乳腺癌亚型的预测可以帮助指导治疗方案的建立。目前有很多研究涉及乳腺癌亚型的分类和预测,但是通过使用整合的多组学数据来对乳腺癌亚型进行分类的相关研究还相对较少。在本文中,我们使用从临床数据中得到的雌激素受体(ER),孕激素受体(PR)以及人表皮生长因子受体2(HER2)的状态信息对所有的样本划分不同组,之后利用SMOMKL算法对乳腺癌亚型进行分类。所使用的SMO-MKL算法是基于序列最小化算法进行改进而来的,并基于元维分析策略的多核学习算法(Multiple Kernel Learning,MKL),利用多核学习算法整合不同的组学数据。我们利用从TCGA数据库中下载的转录组数据、甲基化数据以及拷贝数变异数据,并通过使用SMO-MKL算法将这叁种组学数据进行整合的方式对乳腺癌亚型进行分类。从得到的实验结果可以发现,使用叁种组学数据的结果要优于使用单种组学数据结果。此外也在特征选择的过程中发现了一些在不同组学数据中有标志性意义的基因,并在论文中对这些基因进行了进一步的分析。在研究中,也将我们所提出的算法与其他算法进行了比较,比较结果发现我们的算法在对乳腺癌亚型分类方面要优于其他的算法。之后对当前算法进行改进,利用改进后的算法构建多分类模型,对乳腺癌亚型及叁阴性乳腺癌亚型进行多分类,从所得到的结果中也发现多种组学数据的多分类效果要优于单种组学数据的结论。在本文中,对乳腺癌中最为严重也是目前研究最多的叁阴性乳腺癌进行了进一步的研究,首先利用所有样本的临床信息中叁种受体的状态信息,将所有样本化分为两组,一组为叁阴性乳腺癌,一组为非叁阴性乳腺癌。之后对两组样本在酶以及与细胞循环相关的基因两方面进行了对比,并从对比结果中直观看到两组样本在这两方面的不同,通过这种方式试图在转录水平发现能够显着区分两组样本的线索。(本文来源于《吉林大学》期刊2019-05-01）
汤健,乔俊飞[5]（2019）在《基于选择性集成核学习算法的固废焚烧过程二恶英排放浓度软测量》一文中研究指出城市固废焚烧(MSWI)过程排放的二恶英(DXN)是被称为"世纪之毒"的持续性污染物。该过程的多阶段、多温度区间的物理化学特性导致DXN排放浓度的机理模型难以构建。工业实际中通常以月或季为周期耗时近1周时间在实验室以离线化验方式滞后检测。针对这些问题,提出了基于选择性集成(SEN)核学习算法的DXN排放浓度软测量方法。首先,基于先验知识给出候选核参数集和候选惩罚参数集,采用核学习算法构建基于这些超参数的候选子子模型;然后,耦合优化和加权算法对相同核参数的候选子子模型进行选择与合并,进而得到基于不同核参数的候选SEN子模型集合;最后,再次采用优化和加权算法获得结构与超参数自适应的多层SEN软测量模型。采用UCI平台水泥抗压强度和焚烧过程DXN数据验证了所提方法的有效性。(本文来源于《化工学报》期刊2019年02期）
王洁微[6]（2018）在《基于多尺度核的分布式正则化回归学习算法研究》一文中研究指出本文对再生核Hilbert空间中的最小二乘正则化回归学习算法做出改进,提出了基于多尺度核的分布式正则化回归学习算法。在回归问题中,对于一些分布不平坦且样本规模较大的复杂数据,本文基于多核方法和分布式学习方法,将样本数据集随机划分成多个互斥的样本子集,着重考虑到每个子集中数据波动程度不同,因而在每个子集上采用不同系数线性组合成的多尺度高斯核函数,并由这多个不同尺度的高斯核所生成的再生核Hilbert空间的和空间作为假设空间,通过最小二乘正则化回归算法同时独立地进行学习,从而得到一个局部估计,最终将所有局部估计加权合成得到该样本的总体估计。不同尺度大小的高斯核所组合成的多核方法可以很好地结合各个单核的特性,尽可能地拟合复杂数据中不同的波动程度和变化趋势;基于分而治之思想的分布式学习方法,可以降低核矩阵求逆运算所需的运行时间和存储成本,有效地提高算法的运行效率;在不同样本子集上设置不同的多尺度核函数组合系数,使其在每个子集上进行动态变化,可以让多尺度核函数具有一定的自适应能力。本文通过两个模拟数据集和四个真实数据集对所提出的改进算法和已有的叁种算法的表现性能展开实验分析。实验结果表明,本文所提出的改进算法可以在较短的时间内达到较佳的拟合效果,不仅能够保证较优的拟合能力,也可以成功地降低算法正常实现所需的运行成本。(本文来源于《浙江工商大学》期刊2018-12-01）
任胜兵,谢如良[7]（2019）在《基于AdaBoost的弹性网型正则化多核学习算法》一文中研究指出在正则化多核学习中,稀疏的核函数权值会导致有用信息丢失和泛化性能退化,而通过非稀疏模型选取所有核函数则会产生较多的冗余信息并对噪声敏感。针对上述问题,基于AdaBoost框架提出一种弹性网型正则化多核学习算法。在迭代选取基本分类器时对核函数的权值进行弹性网型正则化约束,即混合L_1范数和L_p范数约束,构造基于多个基本核最优凸组合的基本分类器,并将其集成到最终的强分类器中。实验结果表明,该算法在保留集成算法优势的同时,能够实现核函数权值稀疏性和非稀疏性的平衡,与L_1-MKL和L_p-MKL算法相比,能够以较少的迭代次数获得分类精度较高的分类器。(本文来源于《计算机工程》期刊2019年10期）
杨烁,刘兵,周勇[8]（2019）在《基于稀疏编码的半监督低秩核学习算法》一文中研究指出传统半监督非参核学习方法通常基于流形假设和成对约束信息建立学习模型。但是,这种模型对于某些复杂高维稀疏的数据而言算法复杂性较高。为了解决复杂高维稀疏数据核学习问题,提出一种基于稀疏自编码的非参核学习算法,通过稀疏自编码器引入稀疏约束,不仅提高了非参核学习方法的鲁棒性,避免了过拟合问题,而且提升了非参核学习算法的学习效率。通过核聚类实验验证了提出算法的有效性。实验结果表明,在非参核学习模型中融入了稀疏自编码器能够提高核聚类的效果,提升了半监督非参核学习算法的学习效率。(本文来源于《计算机工程与应用》期刊2019年07期）
陈琳琳,陈德刚[9]（2018）在《一种基于核对齐的分类器链的多标记学习算法》一文中研究指出在解决多标记分类问题的问题转换方法中,二值相关是一种常用的方法,其对于标记间相互独立的假设忽略了标记之间的相关性.多标记分类的分类器链算法通过标记信息在分类器之间的传递考虑了标记间的相关性,从而克服了二值相关算法中标记独立性问题.然而此算法中,分类器链的排序是任意指定的,不同的排序具有不同的分类结果.为了解决这个问题,引入核对齐方法对分类器进行排序并提出了两种算法,其中核对齐是用来衡量两个核函数之间一致性程度的量.一种是最大化特征空间中核函数和标记空间中理想核的凸组合的对齐值,根据每个理想核的权重进行排序,其中理想核是由每个标记定义的.另一种是直接计算核函数与每个理想核的对齐值,根据对齐值进行排序.实验结果表明,提出的基于核对齐的分类器链的多标记学习算法是有效的.(本文来源于《南京大学学报(自然科学)》期刊2018年04期）
宋恺涛,彭甫镕,陆建峰[10]（2018）在《基于多核学习的协同滤波算法》一文中研究指出协同滤波是当前推荐系统中一种主流的个性化推荐算法,通过近似用户对商品的评价进行推荐。核函数是解决非线性模式问题的一种方法。协同滤波通常会选用不同的核函数来分析用户之间的影响关系。由于单核函数无法适应于复杂多变场景。因此,结合多个核函数成为一种解决方法。多核学习能够针对场景来组合各个核函数以获取更好的结果。本文提出了一种基于多核学习的协同滤波算法。该算法在现有核函数的基础上,优化各个核函数的权重以匹配数据的分布。在大众点评数据集和Foursquare数据集上的实验结果表明:基于多核学习的协同滤波算法比经验给定的相似函数的性能要高,具有更好的普适性。(本文来源于《数据采集与处理》期刊2018年03期）
基于核的学习算法论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
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.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
基于核的学习算法论文参考文献
[1].邢一鸣,班晓娟,刘旭,尹航,沈晴.基于核超限学习机群组算法的交通拥堵预测[J].计算机科学.2019
[2].董雪梅,王洁微.基于多尺度高斯核的分布式正则化回归学习算法[J].模式识别与人工智能.2019
[3].王婧.基于核机器学习的阿尔兹海默病早期诊断算法研究[D].曲阜师范大学.2019
[4].陶明欣.基于改进的多核学习算法的乳腺癌亚型预测[D].吉林大学.2019
[5].汤健,乔俊飞.基于选择性集成核学习算法的固废焚烧过程二恶英排放浓度软测量[J].化工学报.2019
[6].王洁微.基于多尺度核的分布式正则化回归学习算法研究[D].浙江工商大学.2018
[7].任胜兵,谢如良.基于AdaBoost的弹性网型正则化多核学习算法[J].计算机工程.2019
[8].杨烁,刘兵,周勇.基于稀疏编码的半监督低秩核学习算法[J].计算机工程与应用.2019
[9].陈琳琳,陈德刚.一种基于核对齐的分类器链的多标记学习算法[J].南京大学学报(自然科学).2018
[10].宋恺涛,彭甫镕,陆建峰.基于多核学习的协同滤波算法[J].数据采集与处理.2018