孟银凤¹,梁吉业²

¹(山西大学数学科学学院 太原 030006);²(计算智能与中文信息处理教育部重点实验室(山西大学) 太原 030006) (mengyf@sxu.edu.cn)

出版日期: 2020-08-01


基金资助:国家自然科学基金项目(61807022, 61876103, 61976184)；山西省重点研发计划项目(201903D121162)；山西省自然科学基金项目(201801D221168)

Linear Regularized Functional Logistic Model

Meng Yinfeng¹, Liang Jiye²

¹(School of Mathematical Sciences, Shanxi University, Taiyuan 030006);²(Key Laboratory of Computational Intelligence and Chinese Information Processing (Shanxi University), Ministry of Education, Taiyuan 030006)

Online: 2020-08-01


Supported by:This work was supported by the National Natural Science Foundation of China (61807022, 61876103, 61976184), the Projects of Key Research and Development Plan of Shanxi Province (201903D121162), and the Natural Science Foundation of Shanxi Province of China (201801D221168).

摘要/Abstract

摘要： 函数型数据的模式识别问题广泛存在于医学、经济、金融、生物、气象等各个领域，探索更具泛化性能的分类器对准确挖掘函数型数据当中隐藏的知识至关重要.针对经典函数Logistic模型的泛化性能不高的问题，提出了线性正则化函数Logistic模型，该模型的生成通过求解一个优化问题实现.在该优化问题当中，前项是基于函数样例的似然函数构造的，用于控制函数样例的分类性能；后项是正则化项，用于控制模型的复杂性.同时，这2项进行了线性加权组合，这样，限制了正则化子的取值范围，方便给出一个经验最优参数，然后可在这一经验最优参数的指导下选出一个适当的函数主成分基个数下的Logistic模型用于函数型数据的分类.实验结果表明：选出的线性正则化函数Logistic模型的泛化性能优于经典的函数Logistic模型.

参考文献

相关文章 1

[1]	许 震, 沙朝锋, 王晓玲, 周傲英,. 基于KL距离的非平衡数据半监督学习算法[J]. , 2010, 47(1): 81-87.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4231