可补偿类别差异的加权支持向量机算法

被引：27

作者：

范昕炜

杜树新

吴铁军

机构：

[1] 浙江大学工业控制技术国家重点实验室

[2] 浙江大学工业控制技术国家重点实验室浙江大学智能系统与决策研究所

[3] 杭州

[4] 浙江大学智能系统与决策研究所

[5] 杭州

来源：

中国图象图形学报 | 2003年 / 09期

关键词：

模式识别(520·2040); 支持向量机(SVM); 分类精度; 类别差异; 权值; 户外图象;

D O I：

暂无

中图分类号：

TP391.4 [模式识别与装置];

学科分类号：

0811 ; 081101 ; 081104 ; 1405 ;

摘要：

支持向量机(SVM)算法在各类别样本数多少不同时,样本数量多的类别,其分类误差小,而样本数量少的类别,其分类误差大.针对这种倾向性问题,在分析其产生原因的基础上,提出了加权SVM算法,从而克服了常规SVM算法不能灵活处理每一个样本的缺陷,同时补偿了这种倾向性造成的不利影响.这种以牺牲大类别精度来提高小类别精度的加权支持向量机方法,可应用于诸如故障诊断等关注小类别分类精度的场合.户外图象识别的实验结果证明,该算法是有效的.

引用

页码：70 / 75

页数：6

共 7 条

[1]

The nature of statistical learning theory. Vapnik V. . 1995

[2]

Training nu-support vector classifiers: theory and algorithms. Chang Chih-Chung,Lin Chih-Jen. Neural Computation . 2001

[3]

New support vector algorithms. Scholkopf B,Smola A,Williamson R C et al. Neural Computation . 2000

[4]

Fuzzy support vector machines. Lin Chun-Fu,Wang Sheng-De. IEEE Transactions on Neural Networks . 2002

[5]

A comparison of methods for multi-class support vector machines. Hsu Chih-Wei,Lin Chih-Jen. IEEE Transactions on Neural Networks . 2002

[6]

Prediction of protein structural classes by support vector machines. Cai Yu-Dong,Liu Xiao-Jun,Xu Xue-biao et al. Computers and Chemistry . 2002

[7]

Text categorization with support vector machines. Joachims T. . 1997

← 1 →