导读:本文包含了核函数学习算法论文开题报告文献综述及选题提纲参考文献，主要关键词:粒子群算法,学习因子,惯性权重,统一性
核函数学习算法论文文献综述
赵远东,方正华[1]（2013）在《带有权重函数学习因子的粒子群算法》一文中研究指出粒子群算法(PSO)中惯性权重和学习因子的独自调整策略削弱了算法进化过程的统一性和粒子群的智能特性,很难适应复杂的非线性优化,为此提出一种利用惯性权重来控制学习因子的PSO算法。该算法将学习因子视作惯性权重的线性、非线性以及叁角函数,在惯性权重随时间线性或非线性递减的过程中,学习因子发生相应的递减或递增变化,进而通过增强两者之间的相互作用来平衡算法的全局探索和局部开发能力,更好地引导粒子进行优化搜索。同时为了分析惯性权重和学习因子的融合性能,采用线性和非线性权重法进行比较,测试函数的优化结果表明了采用非线性递减权重的优越性。最后通过对多个基准测试函数的优化分析,并与带有异步线性变化和叁角函数学习因子调整方法的PSO进行比较发现,该策略利用惯性权重调整学习因子,能达到平衡粒子个体学习能力和向群体学习能力的作用,提高了算法的优化精度。(本文来源于《计算机应用》期刊2013年08期）
徐国浪,魏延[2]（2012）在《基于多核函数的模糊支持向量机学习算法》一文中研究指出作者针对单个核函数构成的SVM并不能满足诸如数据异构或不规则、样本规模巨大、样本分布不平坦等实际应用的需求,而将多个核函数进行组合,以获得更好的效果,提出一种基于多核的模糊支持向量机算法。此算法决策树中的模糊核权重主要是借助于样本各自的模糊因子来确定。仿真实验数据表明:与传统单核函数支持向量机相比,多核模糊支持向量机具有很好的优越性。(本文来源于《重庆师范大学学报(自然科学版)》期刊2012年06期）
康凯[3]（2009）在《基于核函数的集成学习算法研究与应用》一文中研究指出集成学习(Ensemble Learning)是为某个问题训练一组学习器,并将这些学习器联合起来执行一定预测任务的一种机器学习技术。由于该技术能够显着地提高学习系统的泛化能力,受到很多学者的极大关注,并且很快成为了机器学习研究中的一个热点。集成学习技术已经广泛的应用于生物认证、传感器故障容错、字符识别、辐射源识别、语言学、医学、交通、管理学等各个领域。集成学习旨在充分利用每个成员学习器的不同优势,提高整体的泛化性能。现在一般认为,有效地产生泛化能力强、差异大的多个成员学习器,是集成学习算法的关键。传统集成学习算法不能充分利用数据集和成员学习器的特点提高成员学习器的多样性,主要表现在两个方面:第一,在对数据集进行采样时,没有充分利用局部空间的不同特性;第二,在学习器的训练过程中,没有很好的利用过程信息。近年来一些学者将核函数应用到集成学习中,取得了良好的效果。本文的研究目标是将核函数充分地应用到集成学习中,解决传统集成学习算法存在的这两个问题,在保证单个学习器高性能的前提下,实现成员学习器的多样性。具体来说,本文开展并完成了以下方面的工作:(1)简要介绍了集成学习的起源和基本概念;介绍了集成学习中具有代表性的算法Boosting、Bagging和Stacking的基本思想和理论证明;介绍了当前集成学习中的新思想-选择性集成学习;介绍了核函数的历史、基本思想和理论基础。(2)提出了一种基于核函数分割数据集的分类器组合算法(Ensemble Classifiers Algorithm based on Kernel Dataset Partition, KFMCE)。该算法利用基于核的模糊隶属度将原始空间依据局部特征的不同进行分解,然后分别进行有针对性的训练,获得局部性能最优的成员学习器,最后进行集成来提高整体的性能。基于核的模糊隶属度是对基于距离隶属度的扩展,它在映射后的高维空间中求解样本的隶属度,消除了数据集在表征数据分布上的偏差。以机器学习Weka软件为平台在20个不同的UCI数据集上进行实验,结果表明,该算法与AdaBoost和Bagging算法相比,具有更高的分类准确性和更好的泛化能力。(3)提出了一种动态协作的聚类集成算法(Clusterer Ensemble Algorithm Based on Dynamic Cooperation ,DCCE)。该算法同时训练多个基本聚类器,在训练期间,令所有聚类器通过迭代过程中产生的中间信息进行动态协作调整,从而提高集成聚类器的泛化性能和计算效率。协作过程中,算法使用基于核函数的共识函数对多个聚类器的中间结果进行共识,并利用冲量项对中间结果进行调整,达到聚类学习器之间相互协作的目的,完成对基本聚类器的多样性的控制。DCCE算法在15个不同的UCI数据集上进行实验,结果表明该算法具有更高聚类能力。(4)将KFMCE算法应用于文本分类,选择20Newsgroup作为文本数据集进行实验,结果表明该算法在文本分类方面具有良好的效果。(本文来源于《山东师范大学》期刊2009-05-18）
陆辉[4]（2008）在《基于核函数学习算法的研究及其在图像识别中的应用》一文中研究指出纤维成分自动识别是涉及图像处理、人工智能多个领域的研究课题。鉴于传统纤维检测方法存在诸多弊端以及计算机图像处理技术的不断发展,纤维自动识别的研究工作有了很大的进展。但计算机自动识别纤维依旧是一个比较复杂的问题。国内外将计算机图像技术应用于纤维识别的研究还比较少,很多问题尚待解决。本课题为全国百篇优秀博士学位论文作者专项资金资助项目和教育部留学回国人员科研启动基金资助项目。结合了上海市出入境检验检疫局的纺织品和纤维检验的实际需求。课题研究的重点是棉、麻等天然纤维素纤维和各种异形纤维的显微图像的计算机自动识别。该课题已通过国家商检总局的项目鉴定。本文的研究重点是该课题中的异形纤维显微图像的计算机自动识别。由于纤维样本的制作工艺与拍摄条件的限制,纤维截面图像的质量较差,常规的识别方法往往无能为力。核函数学习算法是在上个世纪九十年代提出的,近些年得到了飞速发展,是当前国际国内的研究热点之一,是国际上非常热门的前沿研究领域,在科技界引起了广泛的关注和高度的重视。支持向量机、核主成分分析作为其代表性算法,在模式识别、序列分析、故障检测等领域取得了成功。但是其在纺织领域的应用几乎为空白,本文首次尝试引入核主成分析算法与支持向量机算法到纺织品的自动识别领域。论文提出了基于核主成分分析与支持向量机相结合的异形纤维识别算法,并成功应用到异形纤维显微图像自动识别中。论文提出的算法是以单个异形纤维截面的灰度图像作为算法的输入,核主成分分析作为图像特征提取算法,然后将提取得到的特征参数作为支持向量机的输入,最后由支持向量机输出分类结果。核主成分分析,直接从原始的灰度图像提取高阶统计信息,受图片质量的影响较小。支持向量机则提供了一种稳定、泛化能力强的分类器。论文讨论了系统的组成模块和功能。然后,以该系统为基础,对叁种核函数进行了对比实验。实验表明了,多项式核函数优于径向基核函数与感知器核函数。同时,通过实验分析了,特征参数维数的选择对于系统识别性能的影响。论文首次将核主成分分析与支持向量机的研究引入到纺织品的自动识别领域。针对质量较差的异形纤维显微图像的识别取得了不错的效果。对异形纤维自动识别技术的后续研究提供了一种新的思路。(本文来源于《东华大学》期刊2008-12-01）
凌雄娟[5]（2008）在《基于遗传算法的函数学习》一文中研究指出系统地讨论了遗传算法在神经网络中的主要应用,并根据学习函数对神经网络的权系数进行学习优化,使神经网络具有该函数的性能,从而显示了遗传算法具有快速学习神经网络权重的能力。(本文来源于《信息通信》期刊2008年03期）
李延新,李光宇,李文[6]（2007）在《基于RBF神经网络的隶属度函数学习算法》一文中研究指出模糊规则的提取和模糊隶属度函数的学习是模糊系统设计中重要而困难的问题.针对当前开发模糊控制系统的一个难点——发现最优的隶属函数和模糊规则,研究了利用RBF神经网络的学习能力,从历史数据中发现隶属度函数,在一定程度上减轻了系统开发工作量,克服了由于缺乏经验而可能造成的偏差.文中探讨了一种用于提取模糊规则的RBF神经网络结构,提出了基于此网路结构的模糊隶属度函数学习算法,最后给出了用于验证该算法有效性的仿真实例.(本文来源于《大连交通大学学报》期刊2007年02期）
黄佳进,刘椿年,李文斌[7]（2003）在《市场值函数学习算法的研究和实现》一文中研究指出线性市场值函数模型是用来解决目标销售中识别潜在顾客的一种方法。该文将叁个经典的机器学习算法(WH算法、EG算法和EG±算法)应用到该模型上,从而求得市场值函数,并实现了一个实验系统。实验结果表明这些学习算法在线性市场值函数模型的应用是有效可行的。(本文来源于《计算机工程与应用》期刊2003年34期）
田盛丰[8]（2003）在《基于核函数的学习算法》一文中研究指出论述基于核函数的方法,包括支持向量机的分类、聚类与回归算法,基于核的Fisher判别分析、感知机和主成分分析,介绍学习算法、简化算法和多类分类等研究课题,及基于核函数方法的应用.(本文来源于《北方交通大学学报》期刊2003年02期）
刘贵喜,赵曙光,杨万海[9]（2000）在《基于T-S模糊模型的隶属度函数学习算法》一文中研究指出模糊规则的提取和模糊隶属度函数的学习是模糊系统设计中重要而困难的问题 .文中探讨了Takagi Sugeno模糊模型的隶属度函数学习问题 ,建立了基于模拟退火的模糊隶属度函数学习算法 ,给出了用于验证该算法有效性的仿真实例 .(本文来源于《西安电子科技大学学报》期刊2000年05期）
核函数学习算法论文开题报告
（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：
作者针对单个核函数构成的SVM并不能满足诸如数据异构或不规则、样本规模巨大、样本分布不平坦等实际应用的需求,而将多个核函数进行组合,以获得更好的效果,提出一种基于多核的模糊支持向量机算法。此算法决策树中的模糊核权重主要是借助于样本各自的模糊因子来确定。仿真实验数据表明:与传统单核函数支持向量机相比,多核模糊支持向量机具有很好的优越性。
（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。
核函数学习算法论文参考文献
[1].赵远东,方正华.带有权重函数学习因子的粒子群算法[J].计算机应用.2013
[2].徐国浪,魏延.基于多核函数的模糊支持向量机学习算法[J].重庆师范大学学报(自然科学版).2012
[3].康凯.基于核函数的集成学习算法研究与应用[D].山东师范大学.2009
[4].陆辉.基于核函数学习算法的研究及其在图像识别中的应用[D].东华大学.2008
[5].凌雄娟.基于遗传算法的函数学习[J].信息通信.2008
[6].李延新,李光宇,李文.基于RBF神经网络的隶属度函数学习算法[J].大连交通大学学报.2007
[7].黄佳进,刘椿年,李文斌.市场值函数学习算法的研究和实现[J].计算机工程与应用.2003
[8].田盛丰.基于核函数的学习算法[J].北方交通大学学报.2003
[9].刘贵喜,赵曙光,杨万海.基于T-S模糊模型的隶属度函数学习算法[J].西安电子科技大学学报.2000