基于多尺度高斯核的分布式正则化回归学习算法

作者：董雪梅^*; 王洁微

来源：模式识别与人工智能, 2019, 32(07): 589-599.

DOI：10.16451/j.cnki.issn1003-6059.201907002

• 多尺度核
• 核方法
• 分布式学习
• 最小二乘正则化回归

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.

• 单位
  数学学院; 浙江工商大学