混合核函数中权重求解方法

被引：9

作者：

王行甫

俞璐

机构：

[1] 中国科学技术大学计算机科学与技术学院

来源：

计算机系统应用 | 2015年 / 24卷 / 04期

关键词：

支持向量机; 核函数; 权重; 特征距离;

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：

为了克服支持向量机(SVM)中单核函数的局限性,经常使用混合核函数做预测,但混合核函数中各函数权重难以确定.为解决该问题,提出了一种基于特征距离的权重求解方法.该方法首先利用支持向量机的几何意义,根据同类样本特征距离最小化和异类样本特征距离最大化原理,分析得出优化函数,然后对优化函数求解得出权重系数.实验结果表明,与传统的交叉验证法和PSO算法相比,该方法在保证预测精度的情况下,将计算时间减少了70%左右.

引用

页码：129 / 133

页数：5

共 8 条

[1] 基于CPSO的混合核函数SVM参数优化及应用
潘丰
毛志亮
[J]. 控制工程, 2011, 18 (02) : 267 - 269+274
[2] 支持向量机理论与算法研究综述
丁世飞
齐丙娟
谭红艳
[J]. 电子科技大学学报, 2011, 40 (01) : 2 - 10
[3] 多核学习方法[J]. 汪洪桥,孙富春,蔡艳宁,陈宁,丁林阁. 自动化学报. 2010(08)
[4] 核函数的性质及其构造方法
王国胜
[J]. 计算机科学, 2006, (06) : 172 - 174+178
[5] 模型选择中的交叉验证方法综述[D]. 范永东.山西大学. 2013
[6] 基于多核学习的高性能核分类方法研究[D]. 介文博.华东理工大学. 2012
[7] Improved SVM regression using mixtures of kernels .2 Smits G F,Jordaan E M. Proceedings of the 2002 International Joint Conference on Neural Networks . 2002
[8] Multi-scale kernel methods for classification .2 Kingsbury N,Tay D B H,Palaniswami M. Proceedings of the IEEE Workshop on Machine Learning for Signal Process-ing . 2005

← 1 →