基于向量机学习算法的多模式分类器的研究及改进

为了提高向量机"一对一"学习算法在多模式识别中的分类效率,对基于支持向量机和相关向量机算法进行多模式分类的方法进行研究,发现比较次数过多是该方法计算量大的主要原因。提出了一种在每轮比较中,排除最差类别的新方法。该方法使比较次数逐级减少,并且当类别数较多时,总计算量减少尤其明显。通过理论分析和对数据分类的实验结果表明,新方法与传统分类器相比,在基本不影响分类正确率的前提下,机器训练与识别次数显著减少,算法运行速度明显提高。