支持张量回归在分类中的应用.docVIP

支持张量回归在分类中的应用 摘 要：多媒体分类已经成为多媒体处理领域的重要研究内容。传统基于向量的分类算法需要将多媒体向量化。向量化的过程导致多媒体空间信息的丢失和高维向量数据的产生。为了解决向量化带来问题，张量作为多媒体的自然表达，成为多媒体分类问题的研究热点。本文基于张量的Tucker分解，提出了支持张量回归分类模型，用来直接进行张量多媒体数据的分类操作。通过在两个2阶灰度图数据集构造分类实验，验证了本文所提方法在多媒体分类上的有效性。 关键词：多媒体分类；张量；Tucker分解 一、引言 目前，很多基于向量的多媒体分类方法被提出，比如：支持向量回归（Support Vector Regression，SVR）分类模型[1]。但是这些方法存在两个问题。（1）向量化会导致“维度灾难”问题[2]。（2）向量化会破坏多媒体数据的空间结构[3]，因此降低了分类准确率。 为了解决多媒体向量化导致的问题，本文提出了一个基于Tucker分解的张量学习模型。该模型是对支持向量回归的张量扩张，因此称为支持Tucker回归（Support Tucker Regression， STuR）。本文利用两个模型进行张量多媒体的分类处理，用以分析两个模型的有效性。 二、支持Tucker回归算法 式（2）中有N+1个参数需要进行训练估计，式（2）对N+1个参数不是联合凸函数，但是当固定其他参数，式（2）对任