河北省自然科学基金(F2013201060) 作品数:6 被引量:8 H指数:2 相关作者: 邢红杰 李海峰 李纯果 刘李飞 安磊磊 更多>> 相关机构: 河北大学 更多>> 发文基金: 河北省自然科学基金 国家自然科学基金 更多>> 相关领域: 自动化与计算机技术 更多>>
Training RBFNN with reglarized correntropy criterion and its application to foreign exchange rate forecasting In the paper, a regularized correntropy criterion(RCC) for radial basis function neural network(RBFNN) is prop... Yan-Jun Liu Hong-Jie Xing关键词:RBFNN 文献传递 基于正则化的相关熵平均近邻最大间距特征提取方法 2014年 针对传统的平均近邻最大间距特征提取方法对噪声敏感的缺点,提出了基于正则化的相关熵平均近邻最大间距(RCANMM)特征提取方法,使用相关熵衡量数据间的相似程度,提高了原方法的鲁棒性。在目标函数中添加正则化项,提高了泛化性。在AR、YALE-B和ORL人脸数据库上的实验结果表明,RCANMM相比传统ANMM方法有较好的性能。 马琳娜关键词:特征提取 鲁棒的光滑支持向量机 被引量:1 2015年 光滑支持向量机(Smooth Support Vector Machine,SSVM)是传统支持向量机的一种改进模型,它利用光滑方法将传统支持向量机的二次规划问题转化成无约束优化问题,并使用Newton-Armijo算法求解该无约束优化问题。在光滑支持向量机的基础上提出了鲁棒的光滑支持向量机(Robust Smooth Support Vector Machine,RSSVM),其利用M-estimator代替SSVM中基于L2范数的正则化项,并利用半二次最小化优化方法求解相应的最优化问题。实验结果表明所提方法可以有效地提高SSVM的抗噪声能力。 胡金扣 邢红杰关键词:核函数 基于二次Renyi熵的神经网络集成 被引量:1 2014年 神经网络集成能够有效提高单个神经网络的分类或回归性能。在基于香农熵的神经网络集成基础上,提出了基于二次Renyi熵的神经网络集成。与基于香农熵的神经网络集成相比,所提集成策略的最优组合权重可以解析求得,无需利用牛顿法迭代求取。在人工和标准数据集上的实验结果表明:与单个神经网络和基于香农熵的神经网络集成相比,基于二次Renyi熵的神经网络集成能够取得更优的性能。 刘李飞 邢红杰关键词:神经网络集成 多层感知器 基于相关熵和距离方差的支持向量数据描述选择性集成 被引量:3 2016年 提出基于信息理论学习中相关熵和距离方差的支持向量数据描述选择性集成。利用相关熵代替均方误差来度量集成的紧致性,构造出更为紧致的分类边界;利用距离方差集成度量集成中基分类器间的差异性,以提高集成模型的差异性;在目标函数中增加基于L_1范数的正则化项,实现选择性集成。此外,利用半二次优化技术对所提选择性集成模型进行求解。与单个支持向量数据描述、基于Bagging的支持向量数据描述集成以及基于AdaBoost的支持向量数据描述集成相比,所提方法取得了更优的分类性能。 邢红杰 魏勇乐关键词:支持向量数据描述 Feature Extraction by Correntropy Based Average Neighborhood Margin Maximization Average neighborhood margin maximization(ANMM) is a feature extraction method to make homogeneous points colle... Lin-Na Ma Hong-Jie Xing Shun-Yan Hou文献传递 基于样本选取和加权KPCA-L1的异常检测 2016年 为了提高基于一范数的核主成分分析算法(KPCA-L1)处理异常检测问题的速度,提出了基于样本选取和加权KPCA-L1的异常检测方法。该方法从训练集中选取具有代表性的特征子集,然后为所得特征子集中的样本赋予权重,用带有权重的特征子集训练模型,构造加权KPCA-L1。与KPCA-L1相比,该方法能够有效地减小训练集的规模,同时改善了KPCA-L1算法的更新方法。在人工数据集和标准数据集上的实验结果表明,在保证异常检测准确率的前提下,该方法比KPCA-L1具有更快的建模速度。 安磊磊 邢红杰关键词:核主成分分析 异常检测 无监督排序学习算法的一致性比较 被引量:3 2015年 对于无监督的排序学习算法来说,排序结果的评价指标是非常具有挑战性的问题.从一致性的角度,比较了4种比较典型的无监督排序学习方法,并在机器学习标准数据库中进行实验比较分析.结果显示,RPC这种非线性的无监督排序融合方法产生的排序结果有最小的Kendall距离和Spearman简捷距离,体现了RPC在无监督排序方法上的优越性. 李纯果 李海峰关键词:RPC