Resumen

Diferentes kernels causan diversas discriminaciones de clase debido a sus diferentes estructuras geométricas de los datos en el espacio de características. En este trabajo se propone un método de optimización de kernels mediante la maximización de una medida de separabilidad de clases en el espacio de características empírico con un clasificador basado en representación dispersa (SRC) para resolver el problema de la elección automática de funciones kernel y sus parámetros en el aprendizaje de kernels. El método propuesto adopta primero un kernel dependiente de los datos para generar un algoritmo eficiente de optimización del kernel. A continuación, se crea una función de optimización restringida utilizando el método general de descenso de gradiente para encontrar coeficientes de combinación variados con los datos de entrada. A continuación, se obtiene un kernel PCA optimizado (KOPCA) mediante coeficientes de combinación para extraer características. Por último, se utiliza el clasificador basado en representación dispersa para realizar la tarea de clasificación de patrones. Los resultados experimentales sobre imágenes SAR MSTAR muestran la eficacia del método propuesto.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:método, coeficientes de combinación, representación dispersa, algoritmo eficiente de optimización de núcleos, método general de descenso de gradiente, imágenes mstar sar, diferentes estructuras geométricas, espacio empírico de características, tarea de clasificación de patrones, varias discriminaciones de clases
• Keywords:method, combination coefficients, sparse representation, efficient kernel optimization algorithm, general gradient descent method, mstar sar images, different geometrical structures, empirical feature space, pattern classification task, various class discriminations