融合深度特征与多核学习的LSTWSVM及其工业应用
[融合深度特征与多核学习的LSTWSVM及其工业应用]作者机构:大连理工大学控制科学与工程学院
出 版 物:《控制与决策》 (Control and Decision)
年 卷 期:2024年第39卷第8期
页 面:2622-2630页
核心收录:
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金项目(61873048,62003072) 国家科技部重点研发计划项目(2017YFA0700300) 中央高校基本科研业务费专项资金项目(DUT22JC16) 辽宁省应用基础研究计划项目(2023JH2/101600043)
主 题: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
摘 要:为了提高多核学习(MKL)的表示能力同时降低其计算成本,提出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(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,构造一组新的具有高度表达能力的改进核.最后,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分类精度与泛化能力.