多核学习研究

支持向量机(SVM)这种通用机器学习方法由于其坚实的理论基础和较好的推广能力，强大的非线性和高维处理能力，已成为机器学习领域的研究热点。该领域模型参数选择问题研究的还不够深入，而多核学习方法是解决参数选择问题的有效方法之一。多核学习是研究通过基本核矩阵集合中的多个核矩阵组合或混合出最优核矩阵，来进行参数选择的理论和方法。本项目一方面通过深入研究核函数的性质，特别是度量性质、分析性质，结合多核学习的特点，从理论上分析基本核矩阵集合应具备的条件和在给定基本核集后最优核矩阵优化标准，并基于此构造优化模型来简化、解决该问题。另一方面有效利用SVM解的稀疏性和多核组合系数的稀疏性，设计简单、快速的整体学习(在优化组合系数的同时优化SVM)算法。