基于向量集约简的精简支持向量机

被引：15

作者：

曾志强

高济

机构：

[1] 浙江大学计算机科学与技术学院

[2] 浙江大学计算机科学与技术学院浙江杭州

来源：

软件学报 | 2007年 / 11期

关键词：

支持向量机; 约简向量集; 核聚类; 原像; 最佳权值;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

目前的支持向量集约简法在寻找约简向量的过程中需要求解一个无约束的多参数优化问题,这样,像其他非线性优化问题一样,求解过程需要面对数值不稳定或局部最小值问题.为此,提出了一种基于核聚类的SVM(support vector machine)简化方法.此方法首先在特征空间中对支持向量进行聚类,然后寻找特征空间中的聚类中心在输入空间中的原像以形成约简向量集.该方法概念简单,在简化过程中只需求解线性代数问题,从而解决了现存方法存在的瓶颈问题.实验结果表明,该简化法能够在基本保持SVM泛化性能的情况下极大地约简支持向量,从而提高SVM的分类速度.

引用

页码：2719 / 2727

页数：9

共 5 条

[1] 基于支持向量机与无监督聚类相结合的中文网页分类器 [J].

李晓黎 ;

刘继敏 ;

史忠植 .

计算机学报, 2001, (01) :62-68

[2]

模式识别[M]. - 清华大学出版社 , 边肇祺等编著, 2000

[3]

On a Connection between Kernel PCA and Metric Multidimensional Scaling[J] . Christopher K.I. Williams.Machine Learning . 2002 (1)

[4] A tutorial on Support Vector Machines for pattern recognition [J].

Burges, CJC .

DATA MINING AND KNOWLEDGE DISCOVERY, 1998, 2 (02) :121-167

[5]

Kernel PCA and de-noising in feature spaces .2 Mika S,Scholkopf B,Smola A,Muller KR,Scholz M,Ratsch G. Advances in Neural Information Processing Systems . 1998

← 1 →