作者：王一宾; 田文泉; 程玉胜; 裴根生标记分布学习极限学习机回归拟合核函数
摘要：标记分布学习作为一种新的学习范式，利用最大熵模型构造的专用化算法能够很好地解决某些标记多样性问题，但是计算量巨大。基于此，引入运行速度快、稳定性更高的核极限学习机模型，提出基于核极限学习机的标记分布学习算法（KELM—LDL）。首先在极限学习机算法中通过RBF核函数将特征映射到高维空间，然后对原标记空间建立KELM回归模型求得输出权值，最后通过模型计算预测未知样本的标记分布。与现有算法在各领域不同规模数据集的实验表明，实验结果均优于多个对比算法，统计假设检验进一步说明KELM—LDL算法的有效性和稳定性。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
