-
题名领域自适应的最小包含球设计方法
被引量：4
- 1
-
-
作者
顾鑫
王士同
许敏
-
机构
江南大学数字媒体学院
江苏北方湖光光电有限责任公司
无锡职业技术学院计算机系
-
出处
《控制与决策》
EI
CSCD
北大核心
2013年第2期177-182,187,共7页
-
基金
国家自然科学基金项目(60903100
60975027)
-
文摘
支持向量域描述(SVDD)算法适用于异常点检测,但对于不同领域样本组的整体快速识别则力不从心.为此,基于SVDD算法提出一种基于最小包含球的领域自适应算法(MEB-DA),并将其发展为基于中心约束型最小包含球的领域自适应法(CCMEB-DA),以满足大样本数据的快速计算.该算法通过计算各自数据组的包含球球心对不同领域数据进行整体校正和相似度识别,具有较好的便捷性和自适应性.将所提出的算法应用于无限保真(WIFI)数据的室内定位和人脸识别检测,均取得了较好的效果,从而验证了所提出算法的有效性和快速性.
-
关键词
中心约束型最小包含球
领域
最小包含球
数据校正
-
Keywords
center constrained minimum enclosing ball（ccmeb）
domain
minimum enclosing ball
data correction
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于最小包含球的领域迁移学习新方法
被引量：4
- 2
-
-
作者
顾鑫
王士同
-
机构
江南大学数字媒体学院
-
出处
《计算机科学》
CSCD
北大核心
2013年第7期187-191,210,共6页
-
基金
国家自然科学基金项目(60903100
60975027)资助
-
文摘
传统机器学习方法认为不同的学习任务彼此无关,但事实上不同的学习任务常常相互关联。迁移学习试图利用任务之间的联系以及过去的学习经验加速对于新任务的学习。将最小包含球(Minimum Enclosing Ball,MEB)算法与Parzen Windows概率估计公式相结合,提出了一种新的迁移学习算法MEBTL((Minimum Enclosing Ball Trans-fer Learning)。该算法同时结合CVM(Core Vector Machines)理论提出了CCMEBTL(Center Constrained MinimumEnclosing Ball Transfer Learning)算法,其可以在不同领域之间完成大样本的迁移学习。作为验证,将其应用在WIFI数据的室内定位、人脸识别检测上,并取得了较好的效果。
-
关键词
中心约束型最小包含球
数据校正
迁移学习
领域自适应
-
Keywords
ccmeb, Data correction, Transfer learning, Domain adaptation
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于数据分类的领域自适应新算法
被引量：1
- 3
-
-
作者
顾鑫
王士同
-
机构
江南大学数字媒体学院
江苏北方湖光光电有限责任公司
-
出处
《计算机工程与科学》
CSCD
北大核心
2014年第2期275-285,共11页
-
基金
国家自然科学基金资助项目(61170122
60975027)
江苏省研究生创新工程项目(CXZZ11-0483)
-
文摘
一般的机器学习都假设训练数据与测试数据分布相同,而领域自适应算法则是在不同数据分布条件下进行知识传递和学习,在数据挖掘、数据校正、数据预测等领域有着广泛的应用。支持向量机SVM的主要思想是针对二分类问题,在高维空间寻找一个最优分类超平面,以保证最小的分类错误率。CCMEB理论由Tsang I提出的,是一种改进了核向量机CVM的最小包含球算法,在大样本数据集处理上有着较快的速度。而CCMEB理论同样适用于二分类的SVM数据集。将SVM理论、CCMEB理论与概率分布理论相结合,提出了一种全新的基于数据分类的领域自适应算法CCMEB-SVMDA,该算法通过计算各自分类数据组的包含球球心,能够有效地对不同领域数据进行整体校正和相似度识别,具有较好的便捷性和自适应性。在UCI数据、文本分类等数据上对该算法进行了验证,取得了较好的效果。
-
关键词
支持向量机
领域自适应
最小包含球
中心约束型最小包含球
-
Keywords
SVM
domain adaptation
minimum enclosing ball
ccmeb
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名双层模糊系统融合中心约束型最小包含球
- 4
-
-
作者
徐华
-
机构
江南大学物联网工程学院
-
出处
《计算机科学》
CSCD
北大核心
2014年第12期172-175,共4页
-
基金
国家留学基金委赞助项目(201308320030)
江苏省自然科学基金(BK20140165)资助
-
文摘
与传统的TSK模糊系统相比,改进的双层TSK模糊系统CTSK(Central TSK Fuzzy System)有如下优点:良好的可解释性、更好的鲁棒性、较强的逼近能力。但对于大样本或超大样本数据集,其时间复杂度和空间复杂度的开销都极大地限制了它的实用性。针对此不足,通过模糊系统融合中心约束型最小包含球(CCMEB)理论提出了CCMEB-CTSK(CCMEB-based CTSK)算法。该算法在继承CTSK优点的同时,又较好地实现了处理大样本和超大样本数据集的有效性和快速性。仿真实验研究分析了采用不同模糊规则数的CCMEB-CTSK的性能指标和运行时间的比较,以及训练样本不加噪声和加入噪声情况下CCMEB-CTSK泛化能力和鲁棒性能的测试。
-
关键词
模糊系统
中心约束型最小包含球
泛化
鲁棒性
-
Keywords
Fuzzy system
ccmeb
Generalization capability
Robustness
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
