信息与控制

作者：贺智鹏, 吕莉, 陈娟, 康平

关键词：Critic权值法, 混合多核学习方法, 加权多核模型, 孪生支持向量机, 最小二乘损失函数

针对最小二乘孪生支持向量机受误差值影响大，对噪声样本敏感及核函数、核参数选择困难等问题，提出一种Critic特征加权的多核最小二乘孪生支持向量机(Multi-Kernel Least-Squares Twin Support Vector Machine based on Critic weighted，CMKLSTSVM)分类方法。首先，CMKLSTSVM使用Critic法赋予特征权重，反映不同特征间重要性差异，降低冗余特征及噪声样本影响。其次，根据混合多核学习策略构造了一种新的多核权重系数确定方法。该方法通过基核与理想核间的混合核对齐值判断核函数相似程度，确定权重系数，可以合理地组合多个核函数，最大程度地发挥不同核函数的映射能力。最后，采用加权求和的方式将特征权重与核权重进行统一并构造多核结构，使数据表达更全面，提高模型灵活性。在UCI数据集上的对比实验表明，CMKLSTSVM的分类准确率优于单核结构的SVM(support vector machine)算法，同时在高光谱图像上的对比实验反映了CMKLSTSVM对于包含噪声的真实分类问题的有效性。

来源：2025年第1期

《信息与控制》期刊编辑部

查看信息与控制杂志2025年第1期