本文選題：最小二乘支持向量機 + 稀疏化�。� 參考：《自動化學報》2017年01期

【摘要】：非稀疏性是最小二乘支持向量機(Least squares support vector machine,LS-SVM)的主要不足,因此稀疏化是LS-SVM研究的重要內(nèi)容.在目前LS-SVM稀疏化研究中,多數(shù)算法采用的是基于迭代選擇的稀疏化策略,但是時間復雜度和稀疏化效果還不夠理想.為了進一步改進LS-SVM稀疏化方法的性能,文中提出了一種基于全局代表點選擇的快速LS-SVM稀疏化算法(Global-representation-based sparse least squares support vector machine,GRS-LSSVM).在綜合考慮數(shù)據(jù)局部密度和全局離散度的基礎上,給出了數(shù)據(jù)全局代表性指標來評估每個數(shù)據(jù)的全局代表性.利用該指標,在全部數(shù)據(jù)中,一次性地選擇出其中最具有全局代表性的數(shù)據(jù)并構成稀疏化后的支持向量集,然后在此基礎上求解決策超平面,是該算法的基本思路.該算法對LS-SVM的非迭代稀疏化研究進行了有益的探索.通過與傳統(tǒng)的迭代稀疏化方法進行比較,實驗表明GRS-LSSVM具有稀疏度高、穩(wěn)定性好、計算復雜度低的優(yōu)點.
[Abstract]:Non sparsity is the main deficiency of Least squares support vector machine (LS-SVM), so sparsity is an important part of LS-SVM research. In the present research of LS-SVM sparsity, most of the algorithms use the sparse strategy based on iterative selection, but the time complexity and the sparsity effect are not ideal. In order to further improve the performance of LS-SVM sparse method, a fast LS-SVM sparse algorithm based on global representation point selection (Global-representation-based sparse least squares support vector machine, GRS-LSSVM) is proposed in this paper. The global data global density and global dispersion are considered, and the global data global is given. The representative index is used to evaluate the global representativeness of each data. Using this index, the most globally representative data is selected in all data and the support vector set is made up of the sparsity. Then the decision hyperplane is solved on this basis. It is the basic idea of the algorithm. The algorithm is not iterative and sparse for LS-SVM. By comparing with the traditional iterative thinning method, the experiment shows that GRS-LSSVM has the advantages of high sparsity, good stability and low computational complexity.

【作者單位】： 中國人民大學信息學院;

【相似文獻】

相關碩士學位論文 前4條

1 付強;稀疏化模型及其在文本分類中的應用[D];南京大學;2014年

2 孫欣;最小二乘支持向量機稀疏化技術的研究[D];廣西大學;2014年

3 馮笑笑;基于模式樣本稀疏化和高階相關的分類方法研究[D];電子科技大學;2007年

4 邵哲;X波段大型相控陣稀疏化研究[D];電子科技大學;2012年

，

本文編號：1890537