一种自适应的深度多核学习方法

摘要

深度多核学习(DMKL)方法与浅层多核学习相比，效率和有效性更高，引起了广泛的关注。然而，现有的DMKL体系结构泛化性较差，很难依据样本数据训练找到合适的参数。本发明提出了一种自适应深度多核学习(SA‑DMKL)的结构，这种结构能够自适应、自生长并具有弹性。通过Rademacher混沌复杂度，可以根据不同的数据集和数据空间，筛选每层基核函数，改变每层基核函数数量。用本发明方法对UCI鸢尾花数据集数据集、乳腺癌数据集和Caltech256图像数据集验证，与其他方法相比，有更高的有效性。