احمد نویدغنی زاده - دانشجوی کارشناسی ارشد، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران
رضا منصفی - دانشیار، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران
سیدکمال الدین غیاثی شیرازی - استادیار، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران

یادگیری چندگانه هسته (MKL)، خانواده ای از الگوریتم های یادگیری ماشین می باشد که با استفاده از چندین تابع هسته متفاوت در انواعکاربردهای داده کاوی مورد استقبال واقع شده است. اما بیشتر روش های مطرح شده در این زمینه، سعی در بهبود کارایی محاسباتی دارند ومقالات کمتری به صحت طبقه بندی توجه داشته اند. در این مقاله سعی شده است با ارائه قالبی متفاوت از فرم متعارف یادگیری چندگانههسته، خروجی ماشین های یادگیر (SVM) به صورت غیرخطی با استفاده از مدل شبکه عصبی ترکیب شوند. به عبارتی در این روش، مدلجدیدی برای تابع هسته ارائه نمیشود بلکه قالب جدیدی برای ترکیب طبقه بندها مطرح می شود. درنهایت، روش پیشنهادی با انواع روش هایمطرح یادگیری چندگانه هسته بر روی تعدادی از مجموعه داده های پرکاربرد مقایسه می شود و مشاهده می شود صحت این روش نسبت بهسایر روشها بهبود چشمگیری داشته است.

یادگیری چندگانه هسته, شبکه های عصبی , طبقه بندی, روش های هسته