不等距超球体支持向量机

被引：6

作者：

张慧敏 ^{[1
,2
]}

柴毅 ^{[1
]}

机构：

[1] 不详

[2] 重庆大学自动化学院

[3] 不详

[4] 重庆电子工程职业学院通信系

[5] 不详

来源：

计算机工程与应用 | 2011年 / 11期

关键词：

支持向量机; 超球体; 不等距; 最大间隔;

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：

针对现实中经常遇到的各类样本分布范围相差很多、将各类样本误判的危害程度不同、或者各类样本数量差异悬殊等情况,提出了一种基于不等距超球体的SVM(NMS-SVM)算法。该算法以最大间隔为优化目标建立分类模型,同时引入距离比例参数λ,调整最优分类面到两类之间的距离。通过UCI数据库中数据集的分类仿真实验,比较了该算法与普通超球体算法以及最大间隔超球体算法的分类精度,证明了该算法的有效性。

引用

页码：19 / 22

页数：4

共 7 条

[1] 最大间隔最小体积球形支持向量机 [J].

文传军 ;

詹永照 ;

陈长军 .

控制与决策, 2010, (01) :79-83

[2] 基于推广能力测度的多类SVDD模式识别方法 [J].

朱孝开 ;

杨德贵 .

电子学报, 2009, 37 (03) :464-469

[3] 基于最小二乘支持向量机的非平衡分布数据分类 [J].

姚全珠 ;

田元 ;

王季 ;

杨增辉 ;

张楠 .

计算机工程与应用, 2008, (05) :166-169

[4]

支持向量机导论[M]. 电子工业出版社 , (英)NelloCristianini,（英）JohnShawe-Taylor著, 2004

[5] Support vector data description [J].

Tax, DMJ ;

Duin, RPW .

MACHINE LEARNING, 2004, 54 (01) :45-66

[6]

Implementing multi-class classifiers by one-class classification methods. Ban T,Abe S. 2006 International Joint Conference on Neural Networks . 2006

[7]

Face detection using one-class-based support vectors. Hongliang Jin, Qingshan Liu, Hanqing Lu. . 2004

← 1 →