确定高斯核参数的聚类方法

被引：3

作者：

刘琼荪

范瑞雅

机构：

[1] 重庆大学数理学院

来源：

计算机工程与应用 | 2011年 / 47卷 / 03期

关键词：

高斯核参数; 聚类; 最小距离; 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：

高斯核参数σ的选择,直接影响着高斯核支持向量机的分类性能。将聚类方法与最小距离分类法进行融合,构造了能有效确定高斯核参数σ的优化算法。采用高斯核支持向量机方法对测试集进行分类,以分类正确率来评判选取核参数σ的效果。实验表明,该方法适宜于较广泛的数据类型,具有良好的推广能力,并能有效提高分类效果。

引用

收藏

页码：38 / 40+60 +60

页数：4

相关论文

共 8 条

[1] Choosing multiple parameters for support vector machines
Chapelle, O
Vapnik, V
Bousquet, O
Mukherjee, S
[J]. MACHINE LEARNING, 2002, 46 (1-3) : 131 - 159
[2] Soft margins for AdaBoost
Rätsch, G
Onoda, T
Müller, KR
[J]. MACHINE LEARNING, 2001, 42 (03) : 287 - 320
[3] 一种快速的SVM最优核参数选择方法
李琼
董才林
陈增照
何秀玲
[J]. 计算机工程与应用, 2010, (15) : 165 - 168
[4] 基于SVM和GA的药物与人血清白蛋白结合的预测
白茹
滕奇志
杨晓敏
杨胜勇
向明礼
[J]. 计算机工程与应用, 2009, (12) : 226 - 228+248
[5] 基于核的最小距离分类法的参数选择方法
邱潇钰
张化祥
[J]. 计算机工程, 2008, (05) : 188 - 190
[6] 一种确定高斯核模型参数的新方法
张翔
肖小玲
徐光祐
[J]. 计算机工程, 2007, (12) : 52 - 53+56
[7] 高斯核支撑向量机的性能分析
张小云
刘允才
[J]. 计算机工程, 2003, (08) : 22 - 25
[8] 支持向量机.[M].邓乃扬; 田英杰; 著.科学出版社.2009,