-
题名基于戴帽L1范数的双支持向量机
被引量：1
- 1
-
-
作者
沈洋
戴月明
-
机构
江南大学物联网工程学院
-
出处
《微电子学与计算机》
北大核心
2020年第1期72-79,86,共9页
-
基金
国家自然科学基金(61572238)
-
文摘
针对双支持向量机模型易受异常点影响导致泛化性能较低的问题,提出了一种基于戴帽L1范数的双支持向量机模型.采用带有上限值的戴帽L1范数代替L2范数来构造最优化问题,一定程度上削弱了离群点、噪音点对于两个超平面构造的影响,增强了模型的鲁棒性.另外,针对构造的新的双支持向量机模型最优化问题提出了一个简单有效的迭代算法并且在理论上证明了该算法的收敛性.在无噪以及有噪UCI数据集上的实验结果表明,与其它支持向量机模型相比,该模型有着更强的鲁棒性以及稳定性.
-
关键词
双支持向量机
l1范数
l2范数
戴帽l1范数
损失函数
-
Keywords
twin support vector machine
l1-norm
l2-norm
capped l1-norm
loss function
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
-
题名一种鲁棒的半监督图聚类方法
- 2
-
-
作者
程小恩
胡恩良
-
机构
云南师范大学数学学院
-
出处
《云南师范大学学报（自然科学版）》
2021年第3期28-33,共6页
-
基金
国家自然科学基金资助项目(61663049).
-
文摘
考虑到l1范数度量比l2范数平方度量更鲁棒,基于l1度量提出了一种更鲁棒的半监督图聚类模型,针对该模型中非光滑目标函数不易优化的问题,利用Majorization-Minimization框架提出了一种新的求解算法并证明了其收敛性.实验结果表明,在监督信息有噪声或错误时,所提出的模型能提高半监督聚类的鲁棒性和有效性.
-
关键词
半监督图聚类
鲁棒性
l1范数度量
非光滑优化
Majorization-Minimization
-
Keywords
Semi-supervised graph clustering
Robustness
l1-norm loss
Non-smooth optimization
Majorization-Minimization
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于鲁棒损失函数的标签有噪信号调制方式识别
被引量：4
- 3
-
-
作者
王晓波
尹俊平
徐岩
-
机构
北京应用物理与计算数学研究所
北京科技大学信息与计算科学系
-
出处
《计算物理》
CSCD
北大核心
2022年第4期386-394,共9页
-
基金
国家自然科学基金天元基金重点项目(12026607)
国家自然科学基金(12071024,12031016)资助
-
文摘
针对现实信号调制方式标注易发生错误,即训练数据集中信号调制方式标签存在噪声情形,我们选取l模损失函数及其推广形式作为对标签噪声具有鲁棒性的损失函数,结合深度卷积神经网络优良的自动特征提取能力,提出一种针对信号调制方式存在误判噪声的深度学习算法。该算法在训练数据集合标签噪声率达50%情形下,对信号调制方式的识别准确率依然保持较高水平。相反,对于采用通常的交叉熵作为损失函数的深度卷积神经网络,其已无法对信号调制方式进行分类识别。在公开的数据集上的数值实验表明,所提算法对于标签有噪信号调制方式识别具有较强的鲁棒性。
-
关键词
l1模损失函数
q损失函数
信号调制
有噪标签
信号识别
-
Keywords
l1 norm based loss function
q loss function
signal modulation
label noisy
signal recognition
-
分类号
TN911.3
[电子电信—通信与信息系统]
-
