一种稀疏最小二乘支持向量分类机

被引：10

作者：

刘小茂

孔波

高俊斌

张钧

机构：

[1] 华中科技大学数学系

[2] School of Information Technology

[3] Charles Sturt University

[4] Bathurst

[5] NSW

[6] Australia

[7] 华中科技大学多谱信息处理技术重点实验室

来源：

模式识别与人工智能 | 2007年 / 20卷 / 05期

关键词：

最小二乘支持向量机(LS-SVM); 稀疏性; 中心距离比值; 边界向量;

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：

一般的支持向量分类机需要求解二次规划问题,最小二乘支持向量机只需求解一个线性方程组,但其缺乏稀疏性.为了改进最小二乘支持向量分类机,本文结合中心距离比值及增量学习的思想提出一种基于预选、筛选支持向量的稀疏最小二乘支持向量机.该方法既能弥补最小二乘向量机的稀疏性,减少计算机的存储量和计算量,加快最小二乘支持向量机的训练速度和决策速度,又能对非均衡训练数据造成的分类面的偏移进行纠正,还不影响最小二乘支持向量机的分类能力.3组实验结果也证实了这一点.

引用

页码：681 / 687

页数：7

共 5 条

[1]

支撑矢量机与核方法研究.[D].张莉.西安电子科技大学.2002, 01

[2] Least squares support vector machine classifiers [J].

Suykens, JAK ;

Vandewalle, J .

NEURAL PROCESSING LETTERS, 1999, 9 (03) :293-300

[3] SUPPORT-VECTOR NETWORKS [J].

CORTES, C ;

VAPNIK, V .

MACHINE LEARNING, 1995, 20 (03) :273-297

[4]

数据挖掘中的新方法.[M].邓乃扬;田英杰著;.科学出版社.2004,

[5]

统计学习理论.[M].(美)瓦普尼克(VladimirN.Vapnik)著;许建华;张学工译;.电子工业出版社.2004,

← 1 →