基于中心加权的局部核向量机算法

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

基于中心加权的局部核向量机算法

李琳, 伍少梅, 唐宁九

文章导航 > 电子科技大学学报 > 2014 > 43(4): 612-617

李琳, 伍少梅, 唐宁九. 基于中心加权的局部核向量机算法[J]. 电子科技大学学报, 2014, 43(4): 612-617. doi: 10.3969/j.issn.1001-0548.2014.04.025

引用本文:

李琳, 伍少梅, 唐宁九. 基于中心加权的局部核向量机算法[J]. 电子科技大学学报, 2014, 43(4): 612-617. doi: 10.3969/j.issn.1001-0548.2014.04.025

LI Lin, WU Shao-mei, TANG Ning-jiu. Center-Weighted and Localized Core Vector Machine Algorithm[J]. Journal of University of Electronic Science and Technology of China, 2014, 43(4): 612-617. doi: 10.3969/j.issn.1001-0548.2014.04.025

Citation:

LI Lin, WU Shao-mei, TANG Ning-jiu. Center-Weighted and Localized Core Vector Machine Algorithm[J]. Journal of University of Electronic Science and Technology of China, 2014, 43(4): 612-617. doi: 10.3969/j.issn.1001-0548.2014.04.025

基于中心加权的局部核向量机算法

doi: 10.3969/j.issn.1001-0548.2014.04.025

1.
四川大学计算机学院成都 610065

作者简介:
李琳(1972-),女,博士,主要从事网络舆情分析和数据挖掘方面的研究.

中图分类号: TP181

Center-Weighted and Localized Core Vector Machine Algorithm

1.
School of Computer Science,Sichuan University Chengdu 610065

摘要: 为了解决大规模非线性分类中局部学习的不平衡性问题,提出一种改进的局部支持向量机算法,在高维特征空间中聚类后,为每一个簇构造局部非线性支持向量机。为了克服簇内样本的分布不均衡问题,根据闭合超平面不规则边界的几何特点,经过梯度下降寻找稳定均衡向量,以此构造簇几何中心;再结合簇密度中心共同约束类心形成双重加权中心。然后通过求解加权最小闭球问题实现对大规模样本向量的分类。对照实验显示,除了个别数据集以外,改进的算法在训练时间、测试时间以及测试精度等方面都比另外两种分类算法表现更佳。
- 双中心 /
- 超曲面 /
- 局部支持向量机 /
- 最小闭球 /
- 稳定均衡向量
Abstract: An improved algorithm for localized support vector machine is proposed to resolve the imbalance of local learning problem in nonlinear classifications on large data sets. The algorithm uses the supervised clustering algorithm for clustering in a feature space of high dimension and then constructs local nonlinear support vector machines for each cluster. According to the geometric feature of irregular borders of enclosing sphere, the geometric center for a stable equilibrium point is constructed and a dual-weighted center of two relevant weights is formed through calculating density center of the cluster. At last, the classification of large data set is carried out by solving the problem of weighted minimum enclosing ball. Compared with the other two algorithms of controlled group, the proposed algorithm shows shorter training time and testing time as well as higher testing precision except for some individual data sets.
- double centers /
- hypersurface /
- localized support vector machine /
- minimum enclosing ball /
- stable equilibrium point

[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]	高永慧, 郭秋程, 孙帅, 汤茜, 姜文龙, 郭小辉. 基于球曲面极板的电容式触觉传感器研究 . 电子科技大学学报, 2019, 48(6): 954-960. doi: 10.3969/j.issn.1001-0548.2019.06.022
[3]	江巨浪, 王振东, 钟伦超, 吴翰. 图像亮度精确控制的双直方图均衡算法 . 电子科技大学学报, 2018, 47(1): 105-111. doi: 10.3969/j.issn.1001-0548.2018.01.016
[4]	何嘉, 彭商濂. 云数据中心虚拟机管理研究综述 . 电子科技大学学报, 2016, 45(1): 107-112. doi: 10.3969/j.issn.1001-0548.2016.01.018
[5]	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
[6]	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
[7]	吴炜, 杨晓敏, 余艳梅, 石一兴, 何小海. 核偏最小二乘算法的图像超分辨率算法 . 电子科技大学学报, 2011, 40(1): 105-110. doi: 10.3969/j.issn.1001-0548.2011.01.020
[8]	吴少智, 吴跃, 徐鹏, 胡晓. 支持向量回归的颅内压时间系列无损估计方法 . 电子科技大学学报, 2011, 40(6): 956-960.
[9]	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
[10]	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
[11]	杨成福, 章毅. 相关向量机及在说话人识别应用中的研究 . 电子科技大学学报, 2010, 39(2): 311-315,301. doi: 10.3969/j.issn.1001-0548.2010.02.034
[12]	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
[13]	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
[14]	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.
[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]	王茂琰, 徐军, 魏兵, 葛德彪. 双负介质覆盖导体球宽带散射特性分析 . 电子科技大学学报, 2007, 36(5): 880-882.
[18]	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.
[19]	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.
[20]	王广彬, 黄廷祝. 局部双α对角占优矩阵 . 电子科技大学学报, 2001, 30(2): 199-202.

WeChat

点击查看大图

计量

文章访问数: 3248
HTML全文浏览量: 96
PDF下载量: 55
被引次数: 0

基于中心加权的局部核向量机算法

doi: 10.3969/j.issn.1001-0548.2014.04.025

1. 四川大学计算机学院成都 610065

作者简介:
李琳(1972-),女,博士,主要从事网络舆情分析和数据挖掘方面的研究.

收稿日期: 2013-09-29
修回日期: 2014-02-24
刊出日期: 2014-08-15

中图分类号: TP181

关键词:

摘要: 为了解决大规模非线性分类中局部学习的不平衡性问题,提出一种改进的局部支持向量机算法,在高维特征空间中聚类后,为每一个簇构造局部非线性支持向量机。为了克服簇内样本的分布不均衡问题,根据闭合超平面不规则边界的几何特点,经过梯度下降寻找稳定均衡向量,以此构造簇几何中心;再结合簇密度中心共同约束类心形成双重加权中心。然后通过求解加权最小闭球问题实现对大规模样本向量的分类。对照实验显示,除了个别数据集以外,改进的算法在训练时间、测试时间以及测试精度等方面都比另外两种分类算法表现更佳。

English Abstract

李琳, 伍少梅, 唐宁九. 基于中心加权的局部核向量机算法[J]. 电子科技大学学报, 2014, 43(4): 612-617. doi: 10.3969/j.issn.1001-0548.2014.04.025

引用本文:

李琳, 伍少梅, 唐宁九. 基于中心加权的局部核向量机算法[J]. 电子科技大学学报, 2014, 43(4): 612-617. doi: 10.3969/j.issn.1001-0548.2014.04.025

LI Lin, WU Shao-mei, TANG Ning-jiu. Center-Weighted and Localized Core Vector Machine Algorithm[J]. Journal of University of Electronic Science and Technology of China, 2014, 43(4): 612-617. doi: 10.3969/j.issn.1001-0548.2014.04.025

Citation:

LI Lin, WU Shao-mei, TANG Ning-jiu. Center-Weighted and Localized Core Vector Machine Algorithm[J]. Journal of University of Electronic Science and Technology of China, 2014, 43(4): 612-617. doi: 10.3969/j.issn.1001-0548.2014.04.025

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