局部核方法及其应用

核方法是机器学习中一种强有力的学习算法.多个领域的实践表明，通过将领域知识嵌入到核函数中，一般会得到比较好的学习效果. 从微分流形的观点讨论了机器学习中全局信息与局部信息的关系，并提出了一种嵌入局部有意义信息的核方法.文本分类的实验结果表明，与其它几个分类算法相比，它具有较高的性能.     

核函数方法及其模型选择

核函数方法已成为近年来机器学习领域继人工神经网络方法之后又一个十分流行和有效的方法.阐述了核函数方法的基本原理、特点及实施步骤,介绍了几种主要的核函数方法,最后重点分析和讨论了核函数方法中参数选择和核函数构造等核函数方法研究中的热点问题,并对其未来研究作了展望.     

一种基于环形分布的SVM核选择方法

核选择是支撑向量机(Support Vector Machine,SVM)研究中的核心问题之一.文章提出了一种基于数据分布特征的SVM核函数选择方法.分析了几种常用核函数的性能,提出了判断数据呈环形分布的方法,探讨了SVM核函数及其参数选择与数据分布的相关性.数值实验说明了该方法的可行性与有效性.     

GA优化支持向量机用于混沌时间序列预测

介绍了利用支持向量机与重构相空间理论预测混沌时间序列的方法，并以股价时间序列为样本，比较了几种常用核函数的预测能力，实验表明高斯核的预测能力明显好于其它核．使用遗传算法优化了高斯核支持向量机的参数，优化后其预测能力较经验定参方法有明显提高，且好于传统的预测方法．     

参数化软IP核的速度、面积和功耗估算方法

鉴于可参数化的IP核是利用当代IC工艺快速增长集成能力的关键，提出了一种新的估算参数化软IP核速度、面积和功耗性能的方法．该方法通过将性能函数分解为互不相交的变量子集，解决了因配置多样性产生的组合问题．使用该方法，只需以ASIC设计流程实现IP核选定的几种配置便可以预测其他任意配置下的IP核的性能。     

基于混合核函数支持向量机的回归模型

基于支持向量机核函数的条件,将Sobolev Hilbert空间的再生核函数和Sig核函数进行有效的线性混合,给出一种新的支持向量机的混合核函数,并提出一种基于再生核的混合核函数支持向量机回归模型,该回归模型兼具了全局核函数与局部核函数的优点,且算法的复杂度被降低.仿真实验结果表明:最小二乘支持向量机的核函数采用基于再生核的混合核函数是可行的,回归的效果比单核函数可以更为细腻.     

分形理论下支持向量机核函数选择

支持向量机(support vector machine,SVM)是一种基于核的机器学习方法,不同的核函数对SVM的性能影响显著,如何针对具体问题获得一种有效的核函数选择方法成为SVM研究领域的一个重要问题。目前核函数选取仍是一个开放性的问题,存在着一系列的偶然性和局限性。而针对相对复杂问题时,使用何种类型的单一基核函数难以反映出其分布特征。因此,提出一种基于分形理论的核函数选择方法,在考虑不同核函数度量特征的同时,结合具体问题样本分布特征合理构造或选择核函数类型,并通过数据仿真以及相似性对比验证了算法的合理性。     

适用于高分辨率卫星图像的最佳重采样核函数

重采样常用方法有：近邻法、线性法、卷积法。本文对这些方法的核函数进行分析比较，并通过图像解释其效果，最后总结出适用于高分辨率卫星图像的两种最佳核函数。     

GBF_n（g）的商群性质

证明对于任一正交基函数ｇ，广义布尔函数具有商群性质，并提出同态核的构造，从而得到广义布尔函数的一种生成方法．     

势流问题边界积分方程的几种解法对比

为了求解势流问题边界积分方程，以简单格林函数为基函数建立了势流问题边界积分方程，并对求解积分方程的几种数值方法一直接法，迭代法和多极子方法进行了理论分析和介绍，通过无限静水面下一偶极子作用问题的数值计算，对上述几种方法的运算速度和内存消耗进行了分析对比，结果表明快速多极子方法比另外两种计算方法在计算量和计算机存储量方面更加优越，可以分别降低到近似O（N）数量级，建议将快速多极子方法应用于大型计算问题中。     

单调线性互补问题基于新的核函数的大步校正内点算法

提出了单调线性互补问题基于新的核函数的大步校正内点算法.这个核函数是强凸的,而且它既不是自正则函数也不是经典的对数函数.基于这个核函数,可以定义新的迭代方向和邻近度量.利用这个新的核函数的一些性质,得到新算法的迭代复杂性为O（√n（logn）^2log（n/ε））,这减少了大步校正原始-对偶内点算法的实际计算效果与理论复杂性之间的差距.     

说话人识别中SVM核函数参数优化研究

在基于SVM的说话人识别系统研究中,如何获得理想的识别率是亟待解决的问题。SVM核函数是众多影响识别率因素中最明显的。该系统提高识别率的技术关键是SVM核函数的选取及其参数优化。为此,在对三种常用核函数的特点进行研究的基础上,利用网格搜索法来分别进行参数优选,通过实际语音的训练和识别验证识别效果。目前优选参数可以实现识别率≥99.9%且识别时间<0.1 s。     

欧拉方程组的再生核解法

利用再生核理论和有限差分法给出了一种计算欧拉方程组的新方法.由于再生核函数具有良好的局部性质且其导函数又为小波函数,数值试验表明该 方法具有精度高、稳定性好及计算量小等诸多优点.     

Winkler地基上中厚板计算的重构核粒子法

重构核粒子法(reproducing kernel particle method,RKPM)是一种基于核函数近似的典型无网格方法.以RKPM法插值形函数为基础,基于Mindlin中厚板理论,建立Winkler地基上中厚板弯曲挠度的RKPM法求解控制方程,编制相应的计算程序,算例分析表明该方法有效可行.     

动态大变形计算模拟的无网格强积分核函数

作为一种基于强函数积分形式的无网格计算方法,SPH（Smoothed Particle Hydrodynamics）方法在高能炸药爆炸、流体动力学及固体强冲击模拟计算中已经得到了广泛的应用.然而,目前该方法还存在许多问题,主要表现在拉伸不稳定性、零能量模式、边界条件实施困难、精度较差等,研究表明通过提高核函数的一致性可以使这些问题得到不同程度的改善.在RKPM（Reproducing Kernel Particle Method）方法基础上推导了高阶一致性核函数的公式,构造了适用于SPH方法的简化线性一致性核函数.通过算例证明了简化线性一致性核函数的可行性和优越性,即随着核函数一致性的提高,数值计算精度不断改善,最后对线性一致性核函数的非负特性进行了讨论.     

热传导方程热核的一些性质

考虑热传导方程的热核性质,给出了周期热核的泊松和表示及与黎曼函数的关系,证明了周期热核的复解析性质,指出了热核与拉普拉斯方程基本解的关系.     

基于布谷鸟搜索算法参数优化的组合核极限学习机

针对单核极限学习机在泛化性能上存在一定局限性的问题, 提出将再生核函数与多项式核函数相结合, 建立一种新的组合核极限学习机模型, 使其具有全局核与局部核的优点, 并选择布谷鸟搜索算法对其参数进行优化选择. 仿真实验结果表明, 采用基于再生核的组合核函数作为极限学习机的核函数可行, 在实验数据集的多值分类和回归问题上, 与传统支持向量机及单核极限学习机相比, 该模型具有更好的泛化性能.     

PSO高斯诱导核模糊c均值聚类算法*

为了避免陷入梯度法局部极值以提升模糊聚类算法聚类性能,提出PSO高斯诱导核模糊c均值聚类算法(PSO Gauss-induced kernel fuzzy c-means clustering algorithm, PSO-GIKFCM)。首先将高斯核函数应用于模糊c聚类算法(FCM)目标函数,得到高斯核模糊聚类目标函数。然后在高斯核特征空间和输入空间利用梯度法得到两空间聚类中心,将特征空间聚类中心与样本的内积核矩阵代入输入空间聚类中心,从而得到高斯诱导核的聚类中心。最后在解空间利用粒子群算法(PSO)对模糊隶属度进行寻优估计,并结合目标函数和聚类中心构成PSO-GIKFCM参数估计迭代流程。PSO-GIKFCM算法基于粒子群算法保证其收敛性,聚类中心仅为模糊隶属度的函数,PSO生物进化算法在解空间全局寻找优解,且将模糊指标扩展为大于0的情况。通过仿真实验验证了所提出算法的有效性。     

基于布谷鸟搜索算法参数优化的组合核极限学习机

针对单核极限学习机在泛化性能上存在一定局限性的问题, 提出将再生核函数与多项式核函数相结合, 建立一种新的组合核极限学习机模型, 使其具有全局核与局部核的优点, 并选择布谷鸟搜索算法对其参数进行优化选择. 仿真实验结果表明, 采用基于再生核的组合核函数作为极限学习机的核函数可行, 在实验数据集的多值分类和回归问题上, 与传统支持向量机及单核极限学习机相比, 该模型具有更好的泛化性能.     

一种多核加权支持向量机的水质预测方法

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...