基于粒子群算法的决策树SVM多分类方法研究

被引：88

作者：

王道明

鲁昌华

蒋薇薇

肖明霞

李必然

机构：

[1] 合肥工业大学计算机与信息学院

来源：

电子测量与仪器学报 | 2015年 / 29卷 / 04期

关键词：

支持向量机; 粒子群算法; 决策树; 多分类;

D O I：

10.13382/j.jemi.2015.04.018

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对SVM多分类问题提出了一种基于粒子群算法的最优决策树SVM生成算法,以解决传统支持向量机多分类方法存在的不可分区域和误差积累现象。该方法利用自变异的PSO聚类算法在每一决策节点自动寻找最优或近优分类决策,将数据集划分为两类,直至叶子节点为止,最终根据最优决策树构建SVM多分类结构,训练各个节点SVM分类器。将该算法应用于图像人群密度分类问题,仿真实验表明,分类精度和分类时间得到明显改善,是一种有效地的多分类算法。

引用

页码：611 / 615

页数：5

共 9 条

[1] 基于HRM特征提取和SVM的目标检测方法 [J].

刘松松 ;

张辉 ;

毛征 ;

孟博 ;

李昂 .

国外电子测量技术, 2014, 33 (10) :38-41

[2] 基于改进型粒子群算法的卡箍直径检测算法研究 [J].

陈仁文 ;

朱霞 ;

徐栋霞 ;

毛世杰 .

仪器仪表学报, 2014, 35 (08) :1837-1843

[3] RBF-SVM的核参数选择方法及其在故障诊断中的应用 [J].

周绍磊 ;

廖剑 ;

史贤俊 .

电子测量与仪器学报, 2014, 28 (03) :240-246

[4] 基于SVM的山体滑坡灾害图像识别方法 [J].

魏星 .

电子测量技术, 2013, 36 (08) :65-70

[5] 群体智能典型算法研究综述 [J].

余建平 ;

周新民 ;

陈明 .

计算机工程与应用 , 2010, (25) :1-4+74

[6] 基于遗传算法的SVM多分类决策树优化算法研究 [J].

连可 ;

陈世杰 ;

周建明 ;

龙兵 ;

王厚军 .

控制与决策 , 2009, (01) :7-12

[7] 支持向量机多类分类算法研究 [J].

唐发明 ;

王仲东 ;

陈绵云 ;

不详 .

控制与决策 , 2005, (07) :746-749+754

[8]

A vector-valued support vector machine model for multiclass problem[J] . Ran Wang,Sam Kwong,Degang Chen,Jingjing Cao.Information Sciences . 2013

[9]

A distributed PSO–SVM hybrid system with feature selection and parameter optimization[J] . Cheng-Lung Huang,Jian-Fan Dun.Applied Soft Computing Journal . 2007 (4)

← 1 →