多核学习

摘要： 针对装备各类故障样本分布不平衡、现有算法故障诊断精度较低的问题,通过引入p范数约束多核极限学习机和基于AdaBoost的集成学习策略,定义了一种p范数约束下正则化加权多核集成极限学习机的故障诊断模型.首先,在p范数约束下,基于各类故障样本自身规模,分别进行了两种自适应的样本权重分配;其次,在每层分类器的优化中,将多核学习的多源数据融合能力和极限学习机运算高效的特点相结合,同时,将样本的权重W更新融入到多核极限学习机的优化进程;最后,通过Adaboost集成策略,自适应提升富含信息的样本在模型中的权重,从而显著提升故障诊断的精度.以6个UCI公共数据集以及1个实装案例为例,进行了故障诊断实验.结果 表明,与核极限学习机、加权核极限学习机(使用W(1)和W(2)加权方式)以及多核极限学习机(在1范数和p范数约束下)相比,诊断精度有显著提升;范数约束形式对模型的诊断性能影响有限.

摘要： 多核学习(MKL)方法在分类及回归任务中均取得了优于单核学习方法的性能,但传统的MKL方法均用于处理两类或多类分类问题。为了使MKL方法适用于处理单类分类(OCC)问题,提出了基于中心核对齐(CKA)的单类支持向量机(OCSVM)。首先利用CKA计算每个核矩阵的权重,然后将所得权重用作线性组合系数,进而将不同类型的核函数加以线性组合以构造组合核函数,最后将组合核函数引入到传统OCSVM中代替单个核函数。该方法既能避免核函数的选取问题,又能提高泛化性能和抗噪声能力。在20个UCI基准数据集上与其他五种相关方法进行了实验比较,结果表明该方法在13个数据集上的几何均值(g-mean)均高于其他对比方法,而传统的单核OCSVM仅在2个数据集上的效果较好,局部多核单类支持向量机(LMKOCSVM)和基于核目标对齐的多核单类支持向量机(KTAMKOCSVM)在5个数据集上的分类效果较好。因此,通过实验比较充分验证了所提方法的有效性。

摘要： 为解决传统舞蹈动作只能识别单一动作,且识别准确率低的问题,提出一种基于多核学习特征融合的复杂舞蹈动作识别方法。基于多核学习方法,采用SimpleMKL算法进行改进,得到多特征融合的舞蹈动作识别方法;对输入视频进行预处理后,利用该方法分别提取光流方向直方图特征、方向梯度直方图特征和音频特征,并将3个特征进行融合,以实现复杂舞蹈动作的分类识别。最后,为验证提出方法是否可行,采用DanceDB和FolkDance复杂舞蹈数据集作为测试集,对提出方法进行实验验证。实验结果表明,提出方法在DanceDB数据集的识别率达到41.82%,相较于基于多模态时空动作识别方法提高了2.32%,具有一定的有效性。

摘要： 最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)由于同等对待所有样例,从而易受噪声干扰,影响分类性能。模糊LSSVM的提出一定程度上克服了以上问题。本文给出了一种新的样例隶属度计算方法,其在特征空间中,利用每一样例与其他样例核相似性获得隶属度,并将其应用于模糊多核LSSVM (Fuzzy Multi-Kernel LSSVM, FMK-LSSVM),得到具有强鲁棒性的基于核相似性的模糊多核LSSVM。实验结果验证该方法的可行性与有效性。

摘要： 针对单核网络模型的核函数选择无理论依据以及基于随机特征映射的四层神经网络(FRMFNN)节点规模过大的问题,提出了一种基于随机特征映射的四层多核学习神经网络(MK-FRMFNN)算法。首先,把原始输入特征通过特定的随机映射算法转化为随机映射特征;然后,经过不同的随机核映射生成多个基本核矩阵;最后,将基本核矩阵组成合成核矩阵,并通过输出权重连接到输出层。对原始特征进行随机映射的权重是根据任意连续采样概率分布随机生成的,不需要训练更新,且对输出层的权重使用岭回归伪逆算法进行快速求解,从而避免了反复迭代耗时的训练过程。MK-FRMFNN在基本核映射时引入了不同的随机权重矩阵,生成的合成核矩阵不仅可以综合各种核函数的优势,而且可以集合各种随机分布函数的特性,使数据在新的特征空间中获得更好的特征选择和表达效果。理论和实验分析表明,与宽度学习系统(BLS)及FRMFNN等单核模型相比,MK-FRMFNN模型的节点规模减小了2/3左右,且分类性能稳定;与主流的多种多核模型相比,MK-FRMFNN模型能够对大样本数据集进行学习,并且分类性能明显更优。

摘要： 针对装备各类故障样本分布不平衡、现有算法故障诊断精度较低的问题,通过引入p范数约束多核极限学习机和基于AdaBoost的集成学习策略,定义了一种p范数约束下正则化加权多核集成极限学习机的故障诊断模型.首先,在p范数约束下,基于各类故障样本自身规模,分别进行了两种自适应的样本权重分配;其次,在每层分类器的优化中,将多核学习的多源数据融合能力和极限学习机运算高效的特点相结合,同时,将样本的权重W更新融入到多核极限学习机的优化进程;最后,通过Adaboost集成策略,自适应提升富含信息的样本在模型中的权重,从而显著提升故障诊断的精度.以6个UCI公共数据集以及1个实装案例为例,进行了故障诊断实验.结果表明,与核极限学习机、加权核极限学习机(使用W((1))和W(2)加权方式)以及多核极限学习机(在1范数和p范数约束下)相比,诊断精度有显著提升;范数约束形式对模型的诊断性能影响有限.

摘要： 雷达数据的复杂性增加了合成孔径雷达(SAR)目标分类和识别的难度。传统的多核分类方法先在单个再生核希尔伯特空间(RKHS)中学习基核的线性组合,再通过学习相关参数对SAR目标进行分类。由于传统方法忽略了多核中的最佳参数选择以及多核之间的结构特征,因此会导致识别结果出现偏差。鉴于此,提出了一种多核集成支持向量机SAR目标分类方法,通过设计一个集成损失函数将多个单独的核分类损失进行集成,从而将多个单独的核分类模型统一成一个整体,并共同优化和学习多个单独模型的最优参数。试验结果表明,该方法与SimpleMKL和SpicyM⁃KL等方法相比,在移动与静止目标搜索与识别(MSTAR)计划的多类别SAR数据集上的分类识别准确率可提升0.5%~10%。

摘要： 智慧园区的建设推动着企业与城市的发展,传统的园区管理方式已不再适用于产业融合创新的智慧园区。以曹家滩园区为例,设计智慧园区平台总体框架,针对园区中身份识别存在识别环境差、效率低、准确率低等问题,提出一种基于多模态多核学习的身份识别算法。所提算法将视频数据中的数据分为图像、音频,并采集个人信息的文本,并将三种模态的信息输入同一样本空间中,通过引入间隔约束的多核学习算法,保留不同模态的差异性和相似性,并进行特征融合与决策融合,最终采用分类器与评分机制输出身份识别结果。通过公开的视频数据集与曹家滩园区数据集进行实验,实验结果表明本文所提算法最高准确率达到97.2%,与传统算法相比有较大优势。

摘要： 目的对山西省某三甲医院2011-2017年间血液科新诊断的弥漫大B细胞淋巴瘤患者(diffuse large B-cell lymphoma,DLBCL)是否实现两年无事件生存,即DLBLC患者早期复发的预测。方法根据无事件生存期,将患者分成早期复发和非早期复发,并以此为标签构建分类模型。首先对数据进行了归一化处理,然后用LASSO进行了特征选择,因数据类别不平衡,分别采用了SMOTE(synthetic minority over-sampling technique)、Borderline-1 SMOTE、Borderline-2 SMOTE与ADASYN(adaptive synthetic sampling)四种方法平衡数据,之后构建了基于支持向量机的多核模型作为最终的分类器,并与AdaBoost、随机森林和以高斯核、多项式核为内核的单核支持向量机进行比较,最终实现对新诊断病例早期复发的预测。结果在本文所有模型中,采用LASSO加Borderline-1 SMOTE的多核模型(accuracy=0.87,precision=0.87,recall=0.87,f1=0.87,AUC=0.87)取得了最优的分类性能。采用SMOTE的随机森林模型(accuracy=0.84,precision=0.85,recall=0.87,f1=0.79,AUC=0.83)、Borderline-2 SMOTE的随机森林(accuracy=0.84,precision=0.85,recall=0.87,f1=0.79,AUC=0.83)两种集成模型的分类性能也较好,但都低于多核支持向量机模型。两种单核支持向量机性能较差。结论本文构建的所有模型中,经过LASSO和Borderline-1 SMOTE重采样的多核支持向量机性能最优,可为DLBCL早期复发预测提供参考。

摘要： 多随机经验核学习机(multiple random empirical kernel learning machine,MREKLM)选取少量样本来构造经验特征空间,但在投影时没有考虑数据的分布信息,并且样本选择时间长。为了利用样本的分布信息,引入了类内散度矩阵,提出了基于类内方差的多经验核学习(ICVMEKL),使得样本在投影时能考虑样本类内信息,强化了分类边界,提高了分类精度。进一步,为了降低样本选择时间,利用了基于位置敏感哈希的边界点提取方法(BPLSH)来选择样本,提出了基于位置敏感哈希算法改进的ICVMEKL(ICVMEKL_I),使构建经验核的样本不再需要从候选集中获取,降低了训练时间。多个数据集上的实验结果表明,ICVMEKL能有效提高精度,ICVMEKL_I能大幅降低训练时间,两者都表现出了良好的泛化性能。

摘要： 分布式拒绝服务(Distributed Denial of Service,DDoS)攻击是互联网安全的主要威胁之一.当前大多数检测方法采用单一特征,在大数据环境下不能有效地检测DDoS早期攻击.本文提出了一种基于多核学习的自适应DDoS攻击检测方法(Feature adaptive DDoS attack detection method,FADADM).根据DDoS攻击流量的突发性、地址的分布性以及通信双方的交互性定义了5个特征.基于集成学习框架,分别提出采用增大同类方差与异类均值差的平方的比值(Increasing the ratio of variance to mean,IS/M)和减少同类方差与异类均值差的平方的比值(Reducing the ratio of variance to the mean,RS/M)的方式自适应地调整各特征值的权重,基于简单多核学习(Simple Multiple Kernel Learning,SMKL)模型训练出IS/M-SMKL和RS/M-SMKL两种具有不同特性的多核学习模型以识别DDoS早期攻击.实验结果表明,本文方法能够有效的利用多维特征适用多样化的网络环境,快速、准确地检测DDoS早期攻击.

摘要： The CEUS-based diagnosis is more complex than B-mode US imaging. The detection, localization and diagnosis of liver cancer is a time-consuming procedure with series of tasks. The complex procedure requires expert radiologists, which limits the wide application of CEUS .US-based CAD for tumor diseases provides an effective decision support and second opinion tool for radiologists. The CEUS-based CAD has attracted considerable attention. Since all the images in a CEUS video should be used to generate the TIC, the TIC-based feature extraction algorithms usually have high computational complexity. An expert radiologist can give accurate diagnosis based on typical CEUS images from three phases. Although three CEUS images are selected from three typical phases,they have correlation between each other.

摘要： 提出一种基于多核加权支持向量机的水质预测方法。核函数及其参数选择与数据分布的情况密切相关，采用单一的核函数应对水资源质量评价指标的整个数据分布难以达到很好的预测结果。采用多核加权学习的核函数避免了核函数设计的盲目性和局部最优等非线性优化问题。实例表明，该方法的预测结果是合理可行的，且与以往同类预测方法相比，有着更为客观，计算简便等优点。

摘要： 提出一种基于多核加权支持向量机的水质预测方法。核函数及其参数选择与数据分布的情况密切相关，采用单一的核函数应对水资源质量评价指标的整个数据分布难以达到很好的预测结果。采用多核加权学习的核函数避免了核函数设计的盲目性和局部最优等非线性优化问题。实例表明，该方法的预测结果是合理可行的，且与以往同类预测方法相比，有着更为客观，计算简便等优点。

摘要： 提出一种基于多核加权支持向量机的水质预测方法。核函数及其参数选择与数据分布的情况密切相关，采用单一的核函数应对水资源质量评价指标的整个数据分布难以达到很好的预测结果。采用多核加权学习的核函数避免了核函数设计的盲目性和局部最优等非线性优化问题。实例表明，该方法的预测结果是合理可行的，且与以往同类预测方法相比，有着更为客观，计算简便等优点。

摘要： 提出一种基于多核加权支持向量机的水质预测方法。核函数及其参数选择与数据分布的情况密切相关，采用单一的核函数应对水资源质量评价指标的整个数据分布难以达到很好的预测结果。采用多核加权学习的核函数避免了核函数设计的盲目性和局部最优等非线性优化问题。实例表明，该方法的预测结果是合理可行的，且与以往同类预测方法相比，有着更为客观，计算简便等优点。

摘要： 提供了从非目标和目标多核苷酸的混合物富集非目标多核苷酸的组合物和方法，其中目标多核苷酸与非目标多核苷酸之间的差异包括修饰碱基的程度，其以比在非目标多核苷酸中更大的密度存在于目标多核苷酸中。这使目标多核苷酸选择性地和快速地结合至亲和基质如亲和蛋白质涂布的磁珠，在上清液中提供非目标多核苷酸的富集。该富集的一种应用是从得自人组织样本的DNA混合物去除人基因组DNA以富集微生物多核苷酸，从而通过DNA测序表征微生物。

摘要： 本发明提供新的核苷衍生物或其盐、多核苷酸的合成试剂、多核苷酸的制造方法、多核苷酸、和结合核酸分子的制造方法。本发明的核苷衍生物或其盐的特征在于，由化学式(1)表示。在所述化学式(1)中，Su为具有核苷残基中的糖骨架的原子团或具有核苷酸残基中的糖磷酸骨架的原子团，可以具有或不具有保护基，L1和L2各自独立地为直链或支链的饱和或不饱和的碳原子数2～10的烃基，X1和X2各自独立地为亚氨基(‑NR1‑)、醚基(‑O‑)或硫醚基(‑S‑)，R1为氢原子或者直链或支链的饱和或不饱和的碳原子数2～10的烃基。

摘要： 提供新的核苷衍生物或其盐、多核苷酸的合成试剂、多核苷酸的制造方法、多核苷酸、和结合核酸分子的制造方法。本发明的核苷衍生物或其盐的特征在于，由下述化学式(1)表示。在所述化学式(1)中，Su为具有核苷残基中的糖骨架的原子团或具有核苷酸残基中的糖磷酸骨架的原子团，可以具有或不具有保护基，L1和L2各自独立地为直链或支链的饱和或不饱和的碳原子数2～10的烃基，X1和X2各自独立地为亚氨基(‑NR1‑)、醚基(‑O‑)或硫醚基(‑S‑)，R1为氢原子或者直链或支链的饱和或不饱和的碳原子数2～10的烃基。

摘要： 提供了从非目标和目标多核苷酸的混合物富集非目标多核苷酸的组合物和方法，其中目标多核苷酸与非目标多核苷酸之间的差异包括修饰碱基的程度，其以比在非目标多核苷酸中更大的密度存在于目标多核苷酸中。这使目标多核苷酸选择性地和快速地结合至亲和基质如亲和蛋白质涂布的磁珠，在上清液中提供非目标多核苷酸的富集。该富集的一种应用是从得自人组织样本的DNA混合物去除人基因组DNA以富集微生物多核苷酸，从而通过DNA测序表征微生物。

摘要： 本申请涉及多核系统、多核系统的控制方法、多核设备及存储介质。本申请实施例包括：主系统单元控制子系统控制单元对子系统单元执行上电操作，控制子系统单元执行开机操作，控制子系统单元对子系统控制单元执行闭锁操作；主系统单元控制子系统单元对子系统控制单元执行解锁操作，控制子系统单元执行关机操作，控制子系统控制单元对子系统单元执行下电操作。本申请实施例能够实现在主系统重启或发生供电故障后，子系统控制单元对子系统单元继续供电，从而避免子系统单元异常失电，而且能够实现在不需要子系统单元执行功能时，使子系统单元停止工作，从而降低系统的功耗。

摘要： 提供新的核苷衍生物或其盐、多核苷酸的合成试剂、多核苷酸的制造方法、多核苷酸、和结合核酸分子的制造方法。本发明的核苷衍生物或其盐的特征在于，由下述化学式(1)表示。在所述化学式(1)中，Su为具有核苷残基中的糖骨架的原子团或具有核苷酸残基中的糖磷酸骨架的原子团，可以具有或不具有保护基，L

摘要： 本发明提供了一种基于深度学习与多核学习的GEO卫星形状与姿态识别方法，包括：获取GEO卫星一年的OCS序列数据；对OCS序列数据进行预处理；基于深度学习网络，构建用于对OCS序列数据进行自动特征提取的C‑RNN模型，所述深度学习网络包括循环神经网络与卷积神经网络；训练C‑RNN模型，获取OCS序列数据的多个特征向量；基于多核学习技术，使用多个核函数对不同特征进行映射，并利用支持向量机对卫星的形状与姿态进行识别。本发明在不需要先验信息的情况下，结合基于循环神经网络和卷积神经网络的深度学习以及基于支持向量机的多核学习技术，利用纯数据驱动模式，使用OCS序列数据自动识别GEO卫星的形状和姿态。

摘要： 本发明公开了一种基于极限学习机和boosting多核学习的目标跟踪方法，其特征包括：1多次boosting迭代得到优秀的分类器，将每次boosting迭代中通过多核学习得到的弱分类器组合成强分类器，再用强分类器对特征进行分类。2为了进一步减少计算量和提升分类性能，不同于传统多核学习以支持向量机(SVM)为基分类器，而采用极限学习机作为基分类器，极限学习机结构简单，训练速度非常快，并且比SVM有更好的泛化能力。本发明能使多核分类器进行快速分类，从而使跟踪算法在复杂场景下也能保证跟踪的鲁棒性和实时性。

摘要： 本发明提供了一种基于深度学习与多核学习的GEO卫星形状与姿态识别方法，包括：获取GEO卫星一年的OCS序列数据；对OCS序列数据进行预处理；基于深度学习网络，构建用于对OCS序列数据进行自动特征提取的C‑RNN模型，所述深度学习网络包括循环神经网络与卷积神经网络；训练C‑RNN模型，获取OCS序列数据的多个特征向量；基于多核学习技术，使用多个核函数对不同特征进行映射，并利用支持向量机对卫星的形状与姿态进行识别。本发明在不需要先验信息的情况下，结合基于循环神经网络和卷积神经网络的深度学习以及基于支持向量机的多核学习技术，利用纯数据驱动模式，使用OCS序列数据自动识别GEO卫星的形状和姿态。

摘要： 本发明公开了一种基于极限学习机和boosting多核学习的目标跟踪算法，其特征包括：1多次boosting迭代得到优秀的分类器，将每次boosting迭代中通过多核学习得到的弱分类器组合成强分类器，再用强分类器对特征进行分类。2为了进一步减少计算量和提升分类性能，不同于传统多核学习以支持向量机(SVM)为基分类器，而采用极限学习机作为基分类器，极限学习机结构简单，训练速度非常快，并且比SVM有更好的泛化能力。本发明能使多核分类器进行快速分类，从而使跟踪算法在复杂场景下也能保证跟踪的鲁棒性和实时性。