支持向量机多类目标分类器的结构简化研究
DOI: 10.11834/jig.200505114
Keywords: 目标分类器 ,结构简化 ,支持向量机（SVM） ,分类问题 ,回归分析 ,模式识别 ,高维数据 ,对比分析 ,分类精度 ,非线性 ,类速度 ,复杂度 ,优势
Abstract:
由于支持向量机(SVM)在模式识别和回归分析中有着独特优势，因此成为近来研究的热点，其优势主要体现在处理非线性和高维数据问题方面。最初的SVM特别适合解决两类目标分类问题，而对于多类目标分类，则需将其转化为多个两类目标分类问题，相应地即可构造多个两类目标子分类器，但由于这种情况导致了分类器结构的过于复杂，从而导致判决速度的降低。为了快速地进行分类．提出了一种简化结构的多类目标分类器，其不仅使得子分类器数目大大减少，而且使分类速度明显提高；同时对其分类精度和复杂度进行了对比分析。实验结果证明。该分类器是有效的。
References
[1] 刘江华 程君实 等.支持向量机训练算法综述[J].信息与控制,2002,31(1):45-50,. [2] 边肇祺 张学工.模式识别(第二版)[M].北京：清华大学出版社,2000.296-304. [3] Keerthi S S, Shevade S K. SMO algorithm for least squares SVM [ A ]. In: Proceedings of the International Joint Conference on Neural [C], Portland, Oregon, USA. 2003, 3:2088～2093. [4] 王建芬 曹元大.支持向量机在大类别数分类中的应用[J].北京理工大学学报,2001,21(2):225-228,. [5] Vapnik V N. The nature of statistical learning theory [ M ]. New York: Springer Press, 1995. [6] Suykens J A K, Brabanter J D, Lukas L, et al. Weighted least squares support vector machines: Robustness and sparse approximation[ J], Neurocomputing, 2002, 48( 1 ): 85 ～ 105.
Full-Text
