一种新型支持向量机

被引：10

作者：

杨强

吴中福

余萍

钟将

机构：

[1] 重庆大学计算机学院

[2] 盐城师范学院计算机系

[3] 重庆大学计算机学院重庆

[4] 重庆

[5] 江苏盐城

来源：

重庆大学学报(自然科学版) | 2005年 / 02期

关键词：

支持向量机SVM; 最优超平面; 核函数; 二次规划;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

讨论了现有的用于分类的支持向量机 (SVM)所确定的边界在抗干扰方面的局限性。在此基础之上提出了一种新型支持向量机,即基于边界调节的支持向量机,并利用K-T条件得到了这种支持向量机的对偶目标函数。通过对人工数据集和真实数据集的仿真实验表明,相对于L1-SVM而言,基于边界调节的支持向量机具有更少的支持向量和更好的推广性能。

引用

页码：81 / 84

页数：4

共 9 条

[1]

Improvements to SMO Algorithm for SVM Classifier. KEERTHI S,SHEVADE S,BHATTACHARYYA C,et al. Neural Computation . 2001

[2]

Statistical Learning Theory. Vladimir N. Vapnik. . 1998

[3]

DiscoveringInformationPatternsandDataCleaning. GUYONI,MATICN,VLADIMIRNVAPNIK. . 1996

[4]

Fuzzy Support Vector Machines. LIN CHUN FU,WANG SHENG DE. IEEE Transactions on Neural Networks . 2002

[5]

Fuzzy Support Vector Machines. LIN CHUN FU,WANG SHENG DE. IEEE Transactions on Neural Networks . 2002

[6]

Emprical Risk Minimization for Support Vector Classifiers. FERNANDO. IEEE Transactions on Neural Networks . 2003

[7]

UsingClass centerVectorstoBuildSupportVectorMachines. ZHANGX. ProcIEEENNSP’’99 . 1999

[8]

SequentialMinimalOptimization:AFastAlgorithmforTrainingSupportVectorMachinesinAdvancesinKernelMethodsSupportVectorLearning. JOHNCPLATT. . 1999

[9]

UCIMachineLearningRepository. BLAKE,CLMERZ. http://ida. first. gmd. de/-raetsch/data . 2003

← 1 →