自训练半监督加权球结构支持向量机多分类方法

被引：10

作者：

赵芳 ^{[1
]}

马玉磊 ^{[2
]}

机构：

[1] 新乡学院计算机与信息工程学院

[2] 新乡学院继续教育学院

来源：

重庆邮电大学学报(自然科学版) | 2014年 / 03期

关键词：

半监督学习; 自训练; 多分类; 球结构支持向量机; 加权球结构支持向量机;

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：

针对自训练半监督支持向量机算法中的低效问题,采用加权球结构支持向量机代替传统支持向量机,提出自训练半监督加权球结构支持向量机。传统支持向量机需要求解二次凸规划问题,在处理大规模数据时会消耗大量存储空间和计算时间,特别是在多分类问题上更加困难。利用球结构支持向量机进行多类别分类,大大缩短了训练时间,降低了算法复杂度。球结构支持向量机在不同类别样本数目不均衡时训练分类错误倾向于样本数目较小的类别,通过权值的引入,降低了球结构支持向量机对样本不均衡的敏感性,补偿了类别差异对算法推广性能造成的不利影响。在人工数据集和UCI(university of california irvine)数据集上的实验结果表明,该方法对有标记样本的鲁棒性较好,不仅能够提高效率,且分类精度也有显著提高。

引用

页码：404 / 408+415 +415

页数：6

共 15 条

[11] Help-Training for semi-supervised support vector machines [J].

Adankon, Mathias M. ;

Cheriet, Mohamed .

PATTERN RECOGNITION, 2011, 44 (09) :2220-2230

[12] Semi-supervised learning based on nearest neighbor rule and cut edges [J].

Wang, Yu ;

Xu, Xiaoyan ;

Zhao, Haifeng ;

Hua, Zhongsheng .

KNOWLEDGE-BASED SYSTEMS, 2010, 23 (06) :547-554

[13]

A self-trained ensemble with semisupervised SVM: An application to pixel classification of remote sensing imagery[J] . Ujjwal Maulik,Debasis Chakraborty.Pattern Recognition . 2010 (3)

[14]

Bayesian semi-supervised learning with support vector machine[J] . Sounak Chakraborty.Statistical Methodology . 2009 (1)

[15] A self-training semi-supervised SVM algorithm and its application in an EEG-based brain computer interface speller system [J].

Li, Yuanqing ;

Guan, Cuntai ;

Li, Huiqi ;

Chin, Zhengyang .

PATTERN RECOGNITION LETTERS, 2008, 29 (09) :1285-1294

← 1 2 →