简介： 多核学习(MKL)的最优化问题由经验风险、正则项两部分组成，其解的稀疏性取决于正则项中的权值范数。多核学习(MKL)通过多种核函数的组合，实现了对多种特征集合的表示，有利于对多源数据的处理。本发明提出的非稀疏多核学习，采用凸优化学习算法，在组内的核函数采用l1范数，相当于仅选择最重要的核函数进行组合，以提升稀疏性；在组间采用l2范数，相当于平等地选择处于不同子空间的核函数，以提高学习和预测的精度。这种非稀疏多核学习问题采用，Mirro-Descent(MD)方法求解，达到了既提高学习精度，又提高学习速度的目的。