最近的研究表明将训练数据的最小封闭球(MEB)的半径合并到多核学习(MKL)中的好处。 但是,直接合并该半径会导致复杂的学习结构并大大增加计算量。 此外,此半径对异常值的众所周知的敏感性可能会对MKL产生不利影响。 在本文中,我们没有直接合并MEB的半径,而是合并了它的近亲,即数据散射矩阵的轨迹,以避免上述问题。 通过分析所得优化的特征,我们证明了结合MEB半径的好处可以完全保留。 更重要的是,我们的算法可以在现有的MKL框架(例如SimpleMKL)中轻松实现。 唯一的区别是规范基本内核的方法。 尽管这种核归一化不是我们的发明,但是我们的理论推导揭示了为什么该归一化可以实现更好的分类性能,这在以前的文献中没有出现过。 如实验所示,我们的方法在各种环境下均能获得最佳的整体学习效果。 从另一个角度来看,我们的工作改进了SimpleMKL,以便以有效,实用的方式利用MEB半径的信息。