融合深度特征与多核学习的LSTWSVM及其工业应用

作者：刘颖; 刘德彦; 吕政^*; 赵珺; 王伟

来源：控制与决策, 2023, 1-9.

DOI：10.13195/j.kzyjc.2022.1746

• 多核学习
• 深度学习
• 最小二乘孪生支持向量机
• 复杂工业数据建模

为了提高多核学习(Multiple Kernel Learning, MKL)的表示能力同时降低其计算成本,本文提出了一种融合深度特征与多核学习的最小二乘孪生支持向量机(Least Squares Twin Support Vector Machine, LSTWSVM)算法.针对支持向量机等核分类器在多核学习中高计算复杂度的问题,提出了一种基于边缘错误最小化原则的多核LSTWSVM框架,利用分类器优势提高了多核学习的性能.针对高斯多核浅层结构的问题,采用MKL法设计了一种基于深度神经网络多层信息的高鲁棒性深度映射核,将此深度核与多尺度高斯基核以核矩阵哈达玛积方式相融合,来构造一组新的具有高度表达能力的改进核.最后,本文将基于LSTWSVM的多核训练算法与改进的多核结构进行高度集成,通过大量基准数据集与工业数据实验表明,其能有效结合深度学习与多核学习的优势,且以较低的计算成本提高了分类精度与泛化能力.

• 单位
  大连理工大学