一种新型的自适应多核学习算法

吉林大学学报(理学版) ›› 2021, Vol. 59 ›› Issue (5): 1212-1218.

一种新型的自适应多核学习算法

聂逯松¹, 常方圆², 常学智³, 刘畅⁴, 金有为^5,6,7, 刘国晟^5,6,7, 付加胜⁸, 韩霄松^5,6,7

1. 吉林大学共青团吉林大学委员会, 长春 130012； 2 吉林大学护理学院, 长春 130012；
3. 吉林大学生物与农业工程学院, 长春 130022； 4. 长春中医药大学医药信息学院，长春 130117；
5. 吉林大学符号计算与知识工程教育部重点实验室长春 130012; 6. 吉林大学计算机科学与技术学院, 长春 130012; 7. 吉林大学软件学院, 长春 130012；8. 中国石油集团工程技术研究院有限公司, 北京 102206

收稿日期:2021-01-25 出版日期:2021-09-26 发布日期:2021-09-26
通讯作者: 韩霄松 E-mail:hanxiaosong@jlu.edu.cn

A Novel Self-adaptive Multiple Kernel Learning Algorithm

NIE Lusong¹, CHANG Fangyuan², CHANG Xuezhi³, LIU Chang⁴, JIN Youwei^5,6,7, LIU Guosheng^5,6,7, FU Jiasheng⁸, HAN Xiaosong^5,6,7

1. Jilin University Communist Youth League Committee, Jilin University, Changchun 130012, China;
2. College of Nursing, Jilin University, Changchun 130012, China;
3. College of Biological and Agricultural Engineering， Jilin University, Changchun 130022, China;
4. College of Medical Information， Changchun University of Chinese Medicine, Changchun 130117, China;
5. Key Laboratory for Symbol Computation and Knowledge Engineering of National Education Ministry, Changchun 130012, China;
6. College of Computer Science and Technology, Jilin University, Changchun 130012, China;
7. College of Software, Jilin University, Changchun 130012, China; 8. CNPC Engineering Technology R&D Company Limited, Beijing 102206, China

Received:2021-01-25 Online:2021-09-26 Published:2021-09-26

摘要/Abstract

摘要： 针对样本基数较大、维数较高、特征较复杂的数据集训练问题, 将支持向量机与蚁群优化算法相融合, 提出一种自适应多核学习算法. 利用吸引子传播聚类算法自适应地发现相似特征, 并据此利用蚁群算法自适应地选择核函数参数, 从而快速选择最优核函数. 通过UCI数据集的5组数据实验表明, 该算法相比于传统的支持向量机分类准确率和F₁值更高, 验证了该算法的有效性和可行性.

关键词: 多核学习, 支持向量机, 蚁群算法, 聚类算法

Abstract: Aiming at the problem of the training data set with large samples, high dimension, and complex features, a self-adaptive multiple kernel learning algorithm was proposed by integrating support vector machine with ant colony optimization algorithm. The affinity propagation clustering algorithm was used to find the similar features adaptively, and then the parameters of the kernel function were selected adaptively by ant colony algorithm, so as to select the optimal kernel function quikly. Experimental results of five groups of UCI data sets show that the proposed algorithm has higher classification accuracy and F₁ value than the traditional support vector machine, which verifies the effectiveness and feasibility of the proposed algorithm.

Key words: multiple kernel learning, support vector machine, ant colony algorithm, clustering algorithm

中图分类号:

TP391.1

聂逯松, 常方圆, 常学智, 刘畅, 金有为, 刘国晟, 付加胜, 韩霄松. 一种新型的自适应多核学习算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1212-1218.

NIE Lusong, CHANG Fangyuan, CHANG Xuezhi, LIU Chang, JIN Youwei, LIU Guosheng, FU Jiasheng, HAN Xiaosong. A Novel Self-adaptive Multiple Kernel Learning Algorithm[J]. Journal of Jilin University Science Edition, 2021, 59(5): 1212-1218.

[1]	刘桂锋, 于绍楠, 崔璐. 一种基于集成学习策略的单细胞转录组数据集成分类算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1252-1255.
[2]	刘颖, 杜星秋, 温东欣, 唐伟宁, 张洪明. 基于TLSmote-SVM的非均衡用户窃漏电诊断算法[J]. 吉林大学学报(理学版), 2021, 59(1): 136-142.
[3]	杨健, 杨超宇, 李慧宗. 基于二维离散小波的生成图像鉴别方法[J]. 吉林大学学报(理学版), 2019, 57(3): 619-626.
[4]	刘良凤, 刘三阳. 基于权重差异度的动态模糊聚类算法[J]. 吉林大学学报(理学版), 2019, 57(3): 574-582.
[5]	朱超平, 任继平. 基于智能优化算法的物联网异构数据融合方法[J]. 吉林大学学报(理学版), 2019, 57(3): 627-632.
[6]	金晓民, 张丽萍. 基于最小生成树的多层次k-Means聚类算法及其在数据挖掘中的应用[J]. 吉林大学学报(理学版), 2018, 56(5): 1187-1192.
[7]	周水生, 姚丹. 一种改进的LSTSVM增量学习算法[J]. 吉林大学学报(理学版), 2018, 56(4): 909-916.
[8]	杨永强, 李淑红. 最小二乘支持向量机的点云数据孔洞修补算法[J]. 吉林大学学报(理学版), 2018, 56(3): 692-696.
[9]	徐中宇, 苏明玉, 姚庆安. 基于改进PSO算法的混合核SVM算法[J]. 吉林大学学报(理学版), 2018, 56(3): 625-630.
[10]	郭凯文, 潘宏亮, 侯阿临. 基于特征选择和聚类的分类算法[J]. 吉林大学学报(理学版), 2018, 56(2): 395-398.
[11]	赵玉兰, 苑全德, 孟祥萍. 基于稀疏编码和机器学习的多姿态人脸识别算法[J]. 吉林大学学报(理学版), 2018, 56(2): 340-346.
[12]	周水生, 周艳玲, 姚丹, 王保军. 基于QR分解的稀疏LSSVM算法[J]. 吉林大学学报(理学版), 2018, 56(2): 347-354.
[13]	杨琦. 融合Morlet小波与GA优化多模态核的轴承故障检测算法[J]. 吉林大学学报(理学版), 2018, 56(1): 101-108.
[14]	刘颖, 张丽娟, 韩亚男, 庞丽艳, 王帅. 基于粒子群协同优化算法的供应链金融信用风险评价模型[J]. 吉林大学学报(理学版), 2018, 56(1): 119-125.
[15]	萨日娜. 基于蚁群粒子群优化算法的云计算资源调度方案[J]. 吉林大学学报(理学版), 2017, 55(06): 1518-1522.