基于NSVM的核空间训练数据减少方法

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于NSVM的核空间训练数据减少方法

王晓, 刘小芳

文章导航 > 电子科技大学学报 > 2013 > 42(4): 592-596

王晓, 刘小芳. 基于NSVM的核空间训练数据减少方法[J]. 电子科技大学学报, 2013, 42(4): 592-596. doi: 10.3969/j.issn.1001-0548.2013.04.012

引用本文:

王晓, 刘小芳. 基于NSVM的核空间训练数据减少方法[J]. 电子科技大学学报, 2013, 42(4): 592-596. doi: 10.3969/j.issn.1001-0548.2013.04.012

WANG Xiao, LIU Xiao-fang. Nonlinear Support Vector Machine for Training Data Reduction in Kernel Space[J]. Journal of University of Electronic Science and Technology of China, 2013, 42(4): 592-596. doi: 10.3969/j.issn.1001-0548.2013.04.012

Citation:

WANG Xiao, LIU Xiao-fang. Nonlinear Support Vector Machine for Training Data Reduction in Kernel Space[J]. Journal of University of Electronic Science and Technology of China, 2013, 42(4): 592-596. doi: 10.3969/j.issn.1001-0548.2013.04.012

基于NSVM的核空间训练数据减少方法

doi: 10.3969/j.issn.1001-0548.2013.04.012

王晓,
刘小芳

1.
四川理工学院计算机学院四川自贡 643000

基金项目:

四川省教育厅重点项目(11ZA124);人工智能四川省重点实验室开放基金(2011RYJ02)

作者简介:
王晓(1961-),男,副教授,主要从事智能信息处理和计算机应用方面的研究.

中图分类号: TP391

Nonlinear Support Vector Machine for Training Data Reduction in Kernel Space

1.
School of Computer Science,Sichuan University of Science and Engineering Zigong Sichuan 643000

摘要: 针对核空间中大数据集的计算代价高问题, 提出用NSVM方法减少分类器的训练数据. 先用NSVM、核主成分分析(KPCA)和贪婪KPCA分别从全部训练数据中提取训练分类器的子集; 再用子集训练分类器, 并用训练和测试数据的错分率对分类结果进行评价. 在两个数据集和两种分类器中, 用KPCA提取的子集训练的分类器的分类性能弱于NSVM和贪婪KPCA, 但用贪婪KPCA提取的子集训练的分类器的泛化能力弱于NSVM. 仿真结果表明, 用NSVM方法提取的子集训练的分类器, 不仅保证了分类器的泛化能力, 也降低了分类算法的计算复杂度.
- 分类器 /
- 贪婪核主成分分析 /
- 核主成分分析 /
- 非线性支持向量机 /
- 支持向量 /
- 训练数据
Abstract: Aiming at the high computational cost issue for large data sets in kernel space, the non-linear support vector machine (NSVM) is proposed to reduce training data of classifier. First, a subset of training classifier is extracted from full training data by using NSVM, kernel principal component analysis (KPCA), and greedy kernel principal component analysis (GKPCA), respectively. Then, the classifier is trained by those subsets, respectively. Finally, the classification results are evaluated by the error rate of the training and test data. The classification performance of the classifier trained by the subsets from the KPCA method is inferior to those of from the NSVM and the GKPCA methods, but the generalization of the classifier trained by the subset from the GKPCA method is inferior to those of from the NSVM method for two data sets through two the classifiers. Simulation results indicate that the classifier trained by the subset from the NSVM method not only ensures the generalization ability of classifier, but also reduces the computational complexity of the classification algorithm.
- classifier /
- greedy kernel principal component analysis /
- kernel principal component analysis /
- non-linear support vector machine /
- support vectors /
- training data

[1]	刘敏, 方义治, 孙廷玺, 何伟, 罗思琴, 兰雪珂, 周念成. 基于多元模糊支持向量数据描述的高压电缆缺陷识别 . 电子科技大学学报, 2020, 49(2): 240-247. doi: 10.12178/1001-0548.2019010
[2]	曹健, 魏星, 李海生, 蔡强. 基于局部特征的图像分类方法 . 电子科技大学学报, 2017, 46(1): 69-74. doi: 10.3969/j.issn.1001-0548.2017.01.011
[3]	何海江. 截断误差的光滑型支持向量顺序回归 . 电子科技大学学报, 2014, 43(1): 131-136. doi: 10.3969/j.issn.1001-0548.2014.01.022
[4]	刘忠宝. 新型支持向量机在风速预测模型中的应用研究 . 电子科技大学学报, 2014, 43(5): 754-757. doi: 10.3969/j.issn.1001-0548.2014.05.021
[5]	李琳, 伍少梅, 唐宁九. 基于中心加权的局部核向量机算法 . 电子科技大学学报, 2014, 43(4): 612-617. doi: 10.3969/j.issn.1001-0548.2014.04.025
[6]	袁慎芳, 梁栋, 高宁, 张宇峰. 基于结构健康监测系统的桥梁数据异常诊断研究 . 电子科技大学学报, 2013, 42(1): 69-74. doi: 10.3969/j.issn.1001-0548.2013.01.016
[7]	田银, 李沛洋, 徐鹏. 基于AdaBoost的脑机接口分类算法研究 . 电子科技大学学报, 2013, 42(5): 791-793. doi: 10.3969/j.issn.1001-0548.2013.05.029
[8]	丁世飞, 齐丙娟, 谭红艳. 支持向量机理论与算法研究综述 . 电子科技大学学报, 2011, 40(1): 2-10. doi: 10.3969/j.issn.1001-0548.2011.01.001
[9]	张雪芹, 顾春华, 吴吉义. 异常检测中支持向量机最优模型选择方法 . 电子科技大学学报, 2011, 40(4): 559-563. doi: 10.3969/j.issn.1001-0548.2011.04.017
[10]	刘丹, 李毅超, 余三超, 陈沁源. 面向P2P网络的DDoS攻击抑制方法 . 电子科技大学学报, 2011, 40(1): 85-89.
[11]	何海江, 陈姝. 由排序支持向量机抽取博客文章的摘要 . 电子科技大学学报, 2010, 39(4): 593-597. doi: 10.3969/j.issn.1001-0548.2010.04.026
[12]	甘玲, 朱江, 苗东. 扩展Haar特征检测人眼的方法 . 电子科技大学学报, 2010, 39(2): 247-250,231. doi: 10.3969/j.issn.1001-0548.2010.02.020
[13]	陈其松, 陈孝威, 张欣, 吴茂念. 优化SVM在锅炉负荷预测中的应用 . 电子科技大学学报, 2010, 39(2): 316-320. doi: 10.3969/j.issn.1001-0548.2010.02.035
[14]	向国齐, 严志坚, 黄大贵. 支持向量机替代模型的遗传优化设计 . 电子科技大学学报, 2009, 38(3): 459-462. doi: 10.3969/j.issn.1001-0548.2009.03.034
[15]	徐图, 罗瑜, 何大可. 多类支持向量机的DDoS攻击检测的方法 . 电子科技大学学报, 2008, 37(2): 274-277.
[16]	万群, 王伟, 黄际彦, 宋玉梅. 模糊支持向量机的非直达波抑制算法 . 电子科技大学学报, 2008, 37(6): 803-806.
[17]	胡丹, 肖建, 车畅. 再生核支持向量机在非线性系统中的应用 . 电子科技大学学报, 2008, 37(1): 124-127.
[18]	佘堃, 蒲红梅, 郑方伟, 周明天. 自适应多目独立成分分析 . 电子科技大学学报, 2007, 36(1): 11-13.
[19]	王勇, 许录平. 独立成分分析和支持向量机的虹膜识别方法 . 电子科技大学学报, 2007, 36(3): 583-586.
[20]	周鸣争, 汪军. 基于支持向量机的传感器非线性误差校正 . 电子科技大学学报, 2006, 35(2): 242-245.

WeChat

点击查看大图

计量

文章访问数: 3480
HTML全文浏览量: 154
PDF下载量: 50
被引次数: 0

基于NSVM的核空间训练数据减少方法

doi: 10.3969/j.issn.1001-0548.2013.04.012

王晓,
刘小芳

1. 四川理工学院计算机学院四川自贡 643000

基金项目:

四川省教育厅重点项目(11ZA124);人工智能四川省重点实验室开放基金(2011RYJ02)

作者简介:
王晓(1961-),男,副教授,主要从事智能信息处理和计算机应用方面的研究.

收稿日期: 2013-03-06
修回日期: 2013-06-25
刊出日期: 2013-08-15

中图分类号: TP391

关键词:

摘要: 针对核空间中大数据集的计算代价高问题, 提出用NSVM方法减少分类器的训练数据. 先用NSVM、核主成分分析(KPCA)和贪婪KPCA分别从全部训练数据中提取训练分类器的子集; 再用子集训练分类器, 并用训练和测试数据的错分率对分类结果进行评价. 在两个数据集和两种分类器中, 用KPCA提取的子集训练的分类器的分类性能弱于NSVM和贪婪KPCA, 但用贪婪KPCA提取的子集训练的分类器的泛化能力弱于NSVM. 仿真结果表明, 用NSVM方法提取的子集训练的分类器, 不仅保证了分类器的泛化能力, 也降低了分类算法的计算复杂度.

English Abstract

王晓, 刘小芳. 基于NSVM的核空间训练数据减少方法[J]. 电子科技大学学报, 2013, 42(4): 592-596. doi: 10.3969/j.issn.1001-0548.2013.04.012

引用本文:

王晓, 刘小芳. 基于NSVM的核空间训练数据减少方法[J]. 电子科技大学学报, 2013, 42(4): 592-596. doi: 10.3969/j.issn.1001-0548.2013.04.012

WANG Xiao, LIU Xiao-fang. Nonlinear Support Vector Machine for Training Data Reduction in Kernel Space[J]. Journal of University of Electronic Science and Technology of China, 2013, 42(4): 592-596. doi: 10.3969/j.issn.1001-0548.2013.04.012

Citation:

WANG Xiao, LIU Xiao-fang. Nonlinear Support Vector Machine for Training Data Reduction in Kernel Space[J]. Journal of University of Electronic Science and Technology of China, 2013, 42(4): 592-596. doi: 10.3969/j.issn.1001-0548.2013.04.012

全文HTML

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

期刊在线

编辑办公

友情链接

电子科技大学

版权所有 © 《电子科技大学学报》编辑部

地址: 成都市建设北路二段四号电子科技大学主楼中350室电话: 028-83202308,83207559 Email: xuebao@uestc.edu.cn

本系统由北京仁和汇智信息技术有限公司开发