|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
摘 要：针对广义特征值中心支持向量机(GEPSVM)训练和决策过程不一致问题，该文提出一类改进的基于特征9 N5 X3 O8 B* e `" J) g
值分解的中心支持向量机，简称为 IGEPSVM。首先针对二分类问题提出了基于特征值分解的中心支持向量机，然
4 F. W3 N0 n- X9 _- J; X/ J) N/ W后基于“一类对余类”策略将其推广到多类分类问题。将 GEPSVM 求解广义特征值问题转化为求解标准特征值问
9 N. Q% r1 H) L3 |# D& S8 b1 ^7 g题，降低了计算复杂度。引入了一个新的参数，可以调节模型的性能，提高了 GEPSVM 的分类精度。提出了基于
8 z5 Z5 O& d. x; s, N/ Q: n! oIGEPSVM 的多类分类算法。实验结果表明，与 GEPSVM 算法相比较，IGEPSVM 不仅提高了分类精度，而且缩! J; ^$ q0 k* v9 R: u& `
短了训练时间。2 |& }/ k3 m3 U( u! u
关键词：支持向量机；广义特征值中心支持向量机；两类分类；多类分类；特征值分解6 m# N1 o8 t8 e1 `; s' _) ]
1 引言
: `2 m5 i8 ]" k1 h" i0 Q支持向量机(SVM)算法是经典的分类算法[1]，鉴0 Z* Q! w3 c' C* H7 o# B
于其坚实的理论基础和良好的泛化性能而被广泛使! @9 ~/ F! _+ j5 _! V! o9 K
用于各个领域中[2,3]。SVM 在解决小样本、非线性和3 m" w- w& G3 C' w6 p& z, v( y8 e
* D1 Z- c& F: M4 ^- t
5 _) H. \- C1 _3 y
! N7 ]; O# w. k/ H* k
( ~) ]( [+ c% C0 I0 I; k& V) K. @
6 v: }* g* [( N1 u/ e' k
附件下载：$ P9 U4 F$ K C* _8 o* Y2 l" y, t
& c& f, F. f) a$ i* `6 X. f |
|
/1 
发表于 2021-1-5 10:47
收藏
淘帖
支持！
反对！