基于树型正交前向选择方法的可调核函数模型
基于留一准则的正交前向选择算法(Orthogonal Forward Selection based onkave-One-Out Criteria,OFS-LOO)是最近提出的一种数据建模方法,它能够产生鲁棒性好的参数可调的核函数回归模型。OFS-LOO采用贪婪算法策略,利用全局优化算法逐项调节每个回归项的参数,逐步地增加模型的项数,减少留一准则函数值。但是OFS-LOO仅保留当前最优解作为新回归项的参数,而忽略当前的选择对以后步骤的影响,破坏了模型的稀疏性。本文在OFS-LOO的框架下提出了一种新颖的树型算法。在选择核函数模型的每一项时,采用重复加权增进搜索(Repeated Weighted Boosting Search,RWBS)算法,同时保留RWBS得到的多个局部极值作为核函数参数的候选项。新方法试图找到传统OFS-LOO和全局最优解之间的折衷。实验表明,与传统方法相比,新方法得到的核函数模型稀疏性更好,泛化能力更强。
信号表示 正交前向选择算法 核函数模型 树型搜索
张猛 付丽华 何婷婷 魏志成
华中师范大学计算机科学系湖北武汉430079 中国地质大学数学与物理学院,湖北武汉430074 河北师范大学物理科学与信息工程学院,河北石家庄050016
国内会议
北京
中文
1576-1580
2011-11-17（万方平台首次上网日期，不代表论文的发表时间）