适合大样本快速训练的最大夹角间隔核心集向量机

被引：8

作者：

胡文军 ^{[1
,2
]}

王士同 ^{[1
]}

邓赵红 ^{[1
]}

机构：

[1] 江南大学信息工程学院

[2] 湖州师范学院信息与工程学院

来源：

电子学报 | 2011年 / 39卷 / 05期

关键词：

向量夹角间隔; 核化方法; 核心集向量机; 最小包络球;

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：

许多核化形式的分类方法如SVM,SVDD等都是对应一个二次规划(QP)问题,而核矩阵计算需要O(m2)空间复杂度,求解QP需要O(m3)时间复杂度,限制了这类方法对大样本数据的训练.本文基于一种新的分类间隔概念提出最大向量夹角间隔分类器MAMC,目标是在样本空间找到最优向量c,测试样本通过c与训练样本之间的最大化向量夹角间隔ρ(称为Margin)实现分类.同时,文中证明了该方法的核化形式等价于核化的最小包络球MEB问题,并通过引入核心集向量机CVM将MAMC扩展为MAM-CVM,进而快速实现对大样本的训练和分类.人造和真实数据集实验表明了MAMC和MAM-CVM算法的有效性.

引用

页码：1178 / 1184

页数：7

共 5 条

[1] 基于矩阵模式的最小类内散度支持向量机 [J].