面向多模态数据的鲁棒非平行平面分类器研究.pdfVIP

摘 要 支持向量机（SVM）作为模式识别和数据挖掘领域非常流行的分类方法之一，其理论 自上世纪60 年代诞生，并在最近的数十年来得到了快速的发展和广泛的应用。基于SVM 的改进方法广义特征值最接近支持向量机（GEPSVM ）在提升算法泛化性能的同时，也降 低了计算成本。 随着信息技术的迅猛发展，多模态数据的普及催生了多视图学习（MVL ）的产生与发 展。相比于传统的单视图方法，多视图学习能够利用不同视图特征的一致和互补信息从而 提升学习器的学习性能。多视图广义特征值最接近支持向量机（MvGSVM ），巧妙地将多 视图学习与GEPSVM 融合起来，利用多视图共正则项寻找不同视图间的一致性。然而，包 括MvGSVM 在内的大多数多视图分类方法，目标模型的优化都是基于平方L2 范数距离度 量，很容易受到离群点的负面影响。为了解决当前多视图分类学习鲁棒性不足的问题，本 文提出了三种基于SVM 的鲁棒多视图分类算法，主要研究内容如下： 1.鉴于MvGSVM 的良好分类表现，本文提出了一种的新的多视图分类方法——鲁棒 多视图广义特征值最接近支持向量机（Lp,s-MvGEPSVM ）。不同于MvGSVM ，该方法利用 Lp 和Ls 范数分别对超平面到正类样本和负类样本的距