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