本文選題：支持向量機(jī)　切入點(diǎn)：大規(guī)模分類　出處：《計(jì)算機(jī)工程與應(yīng)用》2017年03期 　論文類型：期刊論文

【摘要】：針對(duì)支持向量機(jī)(Support Vector Machine,SVM)處理大規(guī)模數(shù)據(jù)集的學(xué)習(xí)時(shí)間長(zhǎng)、泛化能力下降等問題,提出基于邊界樣本選擇的支持向量機(jī)加速算法。首先,進(jìn)行無(wú)監(jiān)督的K均值聚類;然后,在各個(gè)聚簇內(nèi)依照簇的混合度、支持度因素應(yīng)用K近鄰算法剔除非邊界樣本,獲得最終的類別邊界區(qū)域樣本,參與SVM模型訓(xùn)練。在標(biāo)準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,算法在保持傳統(tǒng)支持向量機(jī)的分類泛化能力的同時(shí),顯著降低了模型訓(xùn)練時(shí)間。
[Abstract]:Aiming at the problems of long learning time and reduced generalization ability of large scale data set processing by support vector machine (SVM), an accelerated support vector machine (SVM) algorithm based on boundary sample selection is proposed. Firstly, unsupervised K-means clustering is carried out, and then, an unsupervised K-means clustering algorithm is proposed. According to the mixing degree of each cluster, the support factor uses K-nearest neighbor algorithm to eliminate the non-boundary samples and obtain the final class boundary region samples to participate in the training of SVM model. The experimental results on the standard data sets show that, The algorithm not only maintains the generalization ability of traditional SVM, but also significantly reduces the training time of the model.
【作者單位】： 佛山科學(xué)技術(shù)學(xué)院電子與信息工程學(xué)院;
【基金】：2014年國(guó)家星火計(jì)劃項(xiàng)目(No.2014GA780031) 廣東省自然科學(xué)基金(No.2015A030313638) 廣東高校優(yōu)秀青年創(chuàng)新人才培養(yǎng)計(jì)劃資助項(xiàng)目(No.2013LYM_0097,No.2014KQNCX184) 佛山科學(xué)技術(shù)學(xué)院校級(jí)科研項(xiàng)目
【分類號(hào)】：TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳娟;范玉妹;王麗;;關(guān)于改進(jìn)的支持向量機(jī)的研究[J];攀枝花學(xué)院學(xué)報(bào);2006年05期

2 劉碩明;劉佳;楊海濱;;一種新的多類支持向量機(jī)算法[J];計(jì)算機(jī)應(yīng)用;2008年S2期

3 尹傳環(huán);牟少敏;田盛豐;黃厚寬;;單類支持向量機(jī)的研究進(jìn)展[J];計(jì)算機(jī)工程與應(yīng)用;2012年12期

4 王云英;閻滿富;;C-支持向量機(jī)及其改進(jìn)[J];唐山師范學(xué)院學(xué)報(bào);2012年05期

5 李逢煥;;試述不確定支持向量機(jī)應(yīng)用分析及改進(jìn)思路[J];中國(guó)證券期貨;2012年12期

6 邵惠鶴;支持向量機(jī)理論及其應(yīng)用[J];自動(dòng)化博覽;2003年S1期

7 曾嶸,蔣新華,劉建成;基于支持向量機(jī)的異常值檢測(cè)的兩種方法[J];信息技術(shù);2004年05期

8 張凡,賀蘇寧;模糊判決支持向量機(jī)在自動(dòng)語(yǔ)種辨識(shí)中的研究[J];計(jì)算機(jī)工程與應(yīng)用;2004年21期

9 魏玲,張文修;基于支持向量機(jī)集成的分類[J];計(jì)算機(jī)工程;2004年13期

10 沈翠華,鄧乃揚(yáng),肖瑞彥;基于支持向量機(jī)的個(gè)人信用評(píng)估[J];計(jì)算機(jī)工程與應(yīng)用;2004年23期

相關(guān)會(huì)議論文 前10條

1 余樂安;姚瀟;;基于中心化支持向量機(jī)的信用風(fēng)險(xiǎn)評(píng)估模型[A];第六屆（2011）中國(guó)管理學(xué)年會(huì)——商務(wù)智能分會(huì)場(chǎng)論文集[C];2011年

2 劉希玉;徐志敏;段會(huì)川;;基于支持向量機(jī)的創(chuàng)新分類器[A];山東省計(jì)算機(jī)學(xué)會(huì)2005年信息技術(shù)與信息化研討會(huì)論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機(jī)學(xué)習(xí)方法[A];全國(guó)第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機(jī)的系統(tǒng)辨識(shí)方法研究及應(yīng)用[A];中國(guó)力學(xué)大會(huì)——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機(jī)方法的衢州降雪模型[A];第五屆長(zhǎng)三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機(jī)方法預(yù)測(cè)膜蛋白類型[A];第十一次中國(guó)生物物理學(xué)術(shù)大會(huì)暨第九屆全國(guó)會(huì)員代表大會(huì)摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機(jī)綜述[A];全國(guó)第十五屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學(xué)與支持向量機(jī)[A];2005年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機(jī)算法[A];2006中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

10 侯澍e，

本文編號(hào)：1565684