核空间结合样本中心角度的支持向量机增量算法

被引：3

作者：

夏书银 ^{[1
]}

王越 ^{[1
]}

张权 ^{[2
]}

机构：

[1] 重庆理工大学计算机科学与工程学院

[2] 西南交通大学交通运输与物流学院

来源：

计算机应用与软件 | 2012年 / 29卷 / 04期

关键词：

支持向量机; KKT; 增量算法; 核空间; 超平面; 样本中心;

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：

为了提高增量算法的训练精度,在核特征空间下,求得原训练集的两类中心点和两个中心点的超法平面,获取原训练集样本到超法平面距离和到两中心点中点的比值,将比值最小的n个样本点结合原训练集中的支持向量和增量集中违背KKT条件的样本产生新的训练集。最后给出的数学模型显示,该算法不需要计算核特征空间,比现有的众多支持向量机增量算法保留了更多的支持向量数目,保证了训练精度。

引用

页码：121 / 124

页数：4

共 12 条

[1]

Kernel-Based Feature Extraction with aSpeech Technology Application. Kocsor András,Tóth László. IEEE Transactions on Signal Pro-cessing . 2004

[2]

A training algorithm for optimal marginclassifiers. Boser B,Guyon I,Vapnik V. Proceedings of the 5th Annual ACM Work-shop on Computional Learning Theory .

[3] 一种新的支持向量机增量算法 [J].

毛建洋 ;

黄道 .

华东理工大学学报(自然科学版), 2006, (08) :989-991

[4] 大规模训练数据的支持向量机学习新方法 [J].

郑志洵 ;

杨建刚 .

计算机工程与设计, 2006, (13) :2425-2426+2431

[5] 一种加速大规模SVM训练的新思路 [J].

杨路明 ;

李丽 .

微机发展, 2004, (12) :136-138

[6] 一种新的支持向量机增量学习算法 [J].

曾文华 ;

马健 .

厦门大学学报(自然科学版), 2002, (06) :687-691

[7]

Making large-scale support vector machine learning practi-cal. Joachims T. Advances in Kernel Meth-ods-Support Vector Learning . 1999

[8] 支撑矢量机推广能力分析 [J].

周伟达 ;

张莉 ;

焦李成 .

电子学报, 2001, (05) :590-594

[9]

数据挖掘中的新方法[M]. 科学出版社 , 邓乃扬,田英杰著, 2004

[10]

An MPEC model for se-lecting optimal parameter in support vector machines. Dong Yulin,Xia Zunquan,Wang Mingzheng. The FirstInternational Symposium on Optimization and Systems Biology . 2007

← 1 2 →