%0 Journal Article
%T New classification algorithm K-means clustering combined with SVDD<br>K-means聚类与SVDD结合的新的分类算法*
%A LIU Yan-hong
%A XUE An-rong
%A SHI Xi-yun
%A <br>刘艳红
%A 薛安荣
%A 史习云
%J 计算机应用研究
%D 2010
%I 
%X 为了提高支持向量数据描述(SVDD)的分类精度，引入局部疏密度提出了改进的SVDD算法。该算法提高了分类精度，但增加了计算复杂度。为此，先用K-means聚类将整个数据集划分为k个簇，再用改进的SVDD算法并行训练k个簇，最后再对获得的k个局部支持向量集训练，即得到最终的全局决策边界。由于采用了分而治之并行计算的方法，提高了算法的效率。对合成数据(200个)和实际数据的实验结果表明，所提算法较SVDD算法，训练时间降低为原来的10%，分类错误率较原来的降低了近一半。因此，所提算法提高了分类精度和算法效率。
%K 单值分类
%K 支持向量数据描述
%K K-means聚类
%K 局部疏密度
%U http://www.alljournals.cn/get_abstract_url.aspx?pcid=5B3AB970F71A803DEACDC0559115BFCF0A068CD97DD29835&cid=8240383F08CE46C8B05036380D75B607&jid=A9D9BE08CDC44144BE8B5685705D3AED&aid=D885A8EC6253280BD49350D5B01EECE7&yid=140ECF96957D60B2&vid=DB817633AA4F79B9&iid=38B194292C032A66&sid=899CC9158FC43EF4&eid=AE1A1B758F4F84BC&journal_id=1001-3695&journal_name=计算机应用研究&referenced_num=1&reference_num=9