李双成
- 作品数：8 被引量：21H指数：2
- 供职机构：中国石油大学（北京）机械与储运工程学院自动化研究所更多>>
- 发文基金：中国石油大学(北京)基础学科研究基金国家自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- L1范数正则化SVM聚类算法被引量：3
- 2012年
- 提出L1范数正则化支持向量机(SVM)聚类算法。该算法能够同时实现聚类和特征选择功能。给出L1范数正则化SVM聚类原问题和对偶问题形式,采用类似迭代坐标下降的方法求解困难的混合整数规划问题。在多组数据集上的实验结果表明,L1范数正则化SVM聚类算法聚类准确率与L2范数正则化SVM聚类算法相近,而且能够实现特征选择。
- 刘建伟李双成付捷罗雄麟
- 关键词：支持向量机L1范数正则化聚类对偶问题
- 基于正则化的乘更新在线分类算法
- 2012年
- 大样本集上在线预测算法时间空间复杂度小、预测准确性高,与批处理学习算法相比,有明显的优势。自从Jivinen和M.Warmuth提出权衡正确性与保守性的在线学习框架后,在线学习框架已被广泛引用。但是在Jivinen和M.Warmuth提出的梯度下降和指数梯度下降算法中,对目标函数中的损失函数求导过程中使用近似步骤会引起在线学习结果恶化。运用对偶最优化理论,提出了非近似的基于不同距离和损失函数的乘更新分类算法,一系列的实验显示算法提高了预测准确率。
- 刘建伟李双成罗雄麟
- p范数正则化支持向量机分类算法被引量：15
- 2012年
- L2范数罚支持向量机(Support vector machine,SVM)是目前使用最广泛的分类器算法之一,同时实现特征选择和分类器构造的L1范数和L0范数罚SVM算法也已经提出.但是,这两个方法中,正则化阶次都是事先给定,预设p=2或p=1.而我们的实验研究显示,对于不同的数据,使用不同的正则化阶次,可以改进分类算法的预测准确率.本文提出p范数正则化SVM分类器算法设计新模式,正则化范数的阶次p可取范围为0
- 刘建伟李双成罗雄麟
- 关键词：支持向量机
- 基于非近似求导过程的加更新和乘更新分类算法被引量：1
- 2013年
- 自从Kivinen和Warmuth提出权衡正确性与保守性的在线学习框架后,此在线学习框架已被广泛引用.但是在Kivinen和Warmuth提出的梯度下降和指数梯度下降算法中,对目标函数中的损失函数求导过程中使用近似步骤会引起在线学习结果恶化.文中,运用对偶最优化理论,提出了非近似的基于平方距离相关熵损失函数分类算法和基于相关熵距离相关熵损失函数分类算法,通过4种不同维数的真实数据集的实验研究,验证了提出算法的分类预测性能.
- 刘建伟李双成罗雄麟
- 基于bregman距离和等式约束正则化AdaBoost算法
- 2013年
- 基于J.Kivinen和M.K.Warmuth提出的一种基于正则化的在线学习模式,提出基于bregman距离和等式约束正则化弱分类器权值更新模式,实现了AdaBoostS,AdaBoostIE,AdaBoostRE,AdaBoostDE和AdaBoostE五种弱分类器权更新算法。在实验部分,利用实际数据对提出的五种算法与Real AdaBoost、Gentle AdaBoost和Modest AdaBoost算法作了比较。
- 付捷刘建伟李双成罗雄麟
- 关键词：等式约束问题正则化集成分类器
- 基于固定增量单样本感知器的AdaBoost算法被引量：1
- 2010年
- 针对传统AdaBoost算法在分类过程中时间复杂度和算法学习复杂度较高的问题,提出一种改进的算法AdaBoostFISP。以固定增量单样本感知器为弱分类器,在感知器的权值更新上采用固定增量代替变量增量,从而减少运算时间、降低学习复杂度。实验结果证明了该算法在预测准确性、学习复杂度和时间复杂度等方面的优势。
- 申芳林刘建伟罗雄麟李双成
- 关键词：感知器
- 基于抽样的多模态分布聚类算法研究被引量：1
- 2010年
- 针对处理高维海量数据时聚类算法用时太长的问题,提出基于抽样的多模态分布聚类优化算法,该算法随机地抽取少量样本进行循环校正,减少聚类时间,通过大量实验找出算法的最优配置参数,结果证明,该优化算法以11.8%的聚类运行时间得到了88%的聚类准确性,为高时间成本的应用环境提供了最优的聚类方案。
- 刘建伟李双成罗雄麟
- 迭代再权q范数正则化LS SVM分类算法
- 2012年
- 提出一种迭代再权q范数正则化最小二乘支持向量机(LS SVM)分类算法。该算法通过交叉校验过程选择正则化范数的阶次q(0
- 刘建伟李双成罗雄麟
- 关键词：最小二乘支持向量机正则化
