小程序
微信小程序
人工客服
回顶部

核覆盖算法在光谱分类问题中的研究

孙蕊 | -> | 572| 0| 0.343231MB |光谱分类,核覆盖算法,支持向量机,核技巧

孙蕊 孙蕊 | 文档量 |浏览量8747

摘􀀁 要􀀁 针对光谱分类, 提出了一种基于核技巧的覆盖算法􀀂 􀀂 􀀂 核覆盖算法。该算法将核技巧与覆盖算法相结合, 并在特征空间中抽取支持向量。实验表明核覆盖算法在光谱分类中的精度与SVM 相差不大, 但是它只涉及距离的计算, 不必象SVM 那样求解二次规划问题, 对于核宽的选择也不象SVM 那样非常敏感。核覆盖算法与覆盖算法相比分类性能相当, 它的优势在于引入的非线性映射􀀁 改变了样本集在特征空间中之间的距离关系, 使得核覆盖算法得到的支持向量个数大大少于覆盖算法。
    目前, 我国正在建设 大天区面积多目标光纤光谱望远镜! ( LAMOST) [ 1, 2] 的目标是观测107 恒星光谱、107 的星系光谱和105 的类星体光谱, 极限星等为20􀀁 m 5。LAMOST 项目要求对观测得到的海量天文光谱数据进行处理和分析。首先将观测光谱分成恒星、星系和类星体三大主要类别, 然后进一步求出恒星的温度、重力加速度、化学丰度, 星系、类星体的红移等物理参数。由此建立一个庞大的天文数据库,将为天文学家做前沿课题研究提供丰富的资源。
    目前, 在模式识别领域中的一些先进分类识别技术都是基于核方法完成的, 如支持向量机( SVM) [3] , 正则网络[ 4] 和高斯过程分析[ 5] , 核Fisher 判别分析[6] , 核主成分分析[7] 。这些基于核的算法在许多领域得到了应用, 并有了相当好的结果。
    覆盖算法( cov ering alg or ithm, CA) [ 8] 的思想来源于文献[ 9] , 他们采用球面投影函数作为非线性映射, 完成样本点的分类问题。我们利用核技巧, 针对光谱分类问题, 提出一
种简单的在特征空间中寻找集覆盖的方法, 相应地得到支持向量, 整个计算实际上是在原始输入空间完成, 这一思想与SVM[ 3] 中的核技巧是一致的, 我们称之为核覆盖算法( ker􀀂nel cov ering algo rit hm, KCA) 。并分别与SVM 和CA 进行了比较, 实验表明KCA 在光谱分类中的精度与SVM 相差不大, KCA 较SVM 算法有两个优点: 一是它只涉及距离的计算, 不必像SVM 那样求解二次规划问题; 二是SVM 的分类效率过于依赖核宽的选择, 在某个核宽分类错误率相当低,大于或者小于这个核宽, 分类错误率变得相当高, 而KCA对于核宽的选择不敏感。KCA 与CA 相比分类错误率相当,它的优势在于引入的非线性映射􀀁 使得特征空间中的数据的分布更加有利于分类, 从而得到的支持向量个数大大少于覆盖算法, 适于处理大规模数据。这也说明核技巧与覆盖算法结合确实是可行的。
孙蕊发布的其他共享资料
    0 色谱币 下载

核覆盖算法在光谱分类问题中的研究

(343.231K)

所需色谱币: 0

您持有: $userGold色谱币,完成任务赚取色谱币

立即下载

友情链接(联系QQ:47140047)
关于我们  经营理念  业务合作  联系我们  法律声明  网站建议  网站导航  帮助中心
Copyright © 色谱世界 版权所有 陇ICP备2024006362号-2