基于支持向量域描述的学习分类器

被引：3

作者：

陆从德

张太镒

李灿平

张伟

机构：

[1] 西安交通大学电子与信息工程学院

[2] 成都理工大学信息工程学院

[3] 俄勒冈州立大学电子工程与计算机科学学院陕西西安

[4] 陕西西安

[5] 四川成都

[6] 美国俄勒冈

来源：

微电子学与计算机 | 2005年 / 11期

关键词：

支持向量域描述; 学习分类器; 支持向量机; 序列最小优化;

D O I：

10.19304/j.cnki.issn1000-7180.2005.11.022

中图分类号：

TP301.6 [算法理论];

学科分类号：

081202 ;

摘要：

文章在分析支持向量域描述的基础上发展了一类基于描述的学习分类器。该算法在训练时通过在高维特征空间中求取所描述的训练样本的超球体边界,然后通过该边界对样本数据进行分类。文章所获得的学习算法和支持向量机(SVM)和序列最小优化(SMO)算法相比,不仅降低了样本的采集代价,而且在训练速度上有了很大提高。在CBCL人脸库和USPS手写数字识别的实验中,给出了该算法和SVM、SOM算法的实验对比结果,说明了该学习算法的有效性。

引用

页码：77 / 80+83

页数：5