基于核的多超球面—类支持向量机分类算法

为了降低单超球面一类支持向量机（One Class—SVMs,简称OC—SVMs）分类算法的错分率,提出了一种基于核的多超球面一类支持向量机分类算法。算法利用核空间中样本特征差异突出的特性,首先对样本在核空间进行K-均值聚类,然后使用OC—SVMs对各子类训练建立多超球面分类模型,实现分类判决。实验结果表明,算法有效地提高了分类精度。     

基于支持向量机的多类分类算法研究

基于支持向量机的多类分类方法通常采用多个标准的二分类支持向量机来求解,在一对一多类分类方法的基础上,通过对构成分类边界的超平面的研究,引入了"核空间距离",并提出有效的算法减少分类超平面的数量,并在UCI数据库上进行实验,结果表明能够提高测试效率以及分类精确度,减少了过学习问题的产生,具有更好的推广性能。     

超球体支持向量机的不完全二叉树多类分类算法

针对现有的支持向量机多类分类方法的不足之处,提出了一种基于超球体支持向量机的不完全二叉树多类分类算法。该算法首先采用超球体SVM算法,计算各类样本群的分布范围。再利用距离公式,计算各类样本间的距离,基于将最容易分离出来的类最先分割出来的原则,设计二叉树结构,从而提高分类精度。通过仿真实验,分析比较各种方法的性能,从而验证了该算法的有效性。     

基于双支持向量机的偏二叉树多类分类算法

提出一种基于双支持向量机的偏二叉树多类分类算法,偏二叉树双支持向量机多类分类算法.该算法综合了二叉树支持向量机和双支持向量机的优势,实现了在不降低分类性能的前提下,大大缩短训练时间.理论分析和UCI（University of California Irvine）机器学习数据库数据集上的实验结果共同证明,偏二叉树双支持...     

多类支持向量机算法的研究

支持向量机(SVM)是建立在统计学习理论的基础上的一种小样本机器学习方法,它是针对二分类问题而提出的,如何将二分类问题有效地推广至多分类问题是支持向量机研究的重要内容之一.介绍了现有提出的一些支持向量机多分类的方法,并比较其优缺点,在模糊支持向量机的基础上提出具有去噪声的模糊支持向量机的多分类的方法.     

基于模糊支持向量的多标签分类方法

单实例多标签分类是指一个样本拥有多个标签的分类问题,对此提出了一种基于半模糊核聚类和模糊支持向量机的多标签分类算法.该算法采用一对一分解策略将多类多标签数据集分解为多个两类双标签数据子集,在每个子集上训练两类双标签模糊支持向量机.为提高分类器的性能引入了半模糊核聚类技术.实验结果表明,与现有的一些算法相比新算法具有其优...     

支持向量机的多类分类算法

传统的支持向量机是基于两类问题提出的,但在实际生活中经常遇到多类分类问题,如何将其有效的推广至多类分类问题仍是一个有待研究的热点问题。本文中作者对现有的几种较有成效的多类支持向量机做了介绍,并比较其优劣,以期对研究者以后的研究能有所启发。     

基于双支持向量机的大样本分类算法

针对支持向量机(Support Vector Machine,SVM)处理大规模样本分类的学习效率降低问题,提出两阶段学习的支持向量机算法。该方法首先在正负类分别进行无监督聚类,提取各个聚类质心组成约简训练集,进行初次SVM训练;然后,根据初次训练结果选取边界样本集,参与第二次SVM训练。在UCI数据集上的实验结果表明,所提方法在保持分类泛化性能的同时,提高了模型的训练速度。     

一种改进的多类支持向量机超光谱图像分类方法

支持向量机（SVM）是建立在统计学理论基础上的一种机器学习方法,用于解决二类分类问题,如何有效地将其推广到多类分类问题是一个正在研究的课题．总结了现有的主要的支持向量机多类分类算法,并在1-a-1SVM分类算法基础上提出一种二次分类的方法．改良了惩罚因子,提高了不易分的类别之间的可分程度．通过对超光谱图像进行分类实验,结果表明该方法具有较高的分类精度．     

基于一类支持向量机的快速人脸相似性学习

把一类支持向量机应用到人脸相似性学习中,提出了一种快速的人脸相似性学习方法.和标准支持向量机相比较,一类支持向量机的主要特点是只利用相似样本进行训练,减少了数据量,能快速地进行相似性学习.2个实际人脸数据库上的实验结果表明,本方法能够快速地学习到人脸相似性,其运行时间至多是支持向量机算法的三分之一.     

支持向量机训练及分类算法研究

支持向量机(SVM)是在统计学习理论基础上发展起来的一种新的数据挖掘方法,已广泛应用于模式识别与回归分析等领域。针对一些主要的SVM训练算法,比较它们的特点,阐述其中最有代表性的序列最小优化(SMO)算法及其多种改进算法,还讨论一些典型的支持向量机多分类算法及支持向量机多标注算法。最后,指出亟待解决的一些问题。     

基于密度聚类的支持向量机分类算法

为了解决支持向量机的分类仅应用于较小样本集的问题,提出了一种密度聚类与支持向量机相结合的分类算法.在密度聚类中,当一个样本点不存在拟密度可达的样本点,则其显著特征即表现为该簇的边缘点,将该点加入约简集合,直至选出样本集合中的所有边缘对象,然后再利用约简集合寻找支持向量.实验表明,采用该算法,分类的准确率可从基于无监督聚类的支持向量机算法的86.81%提升至95.43%,核函数计算量由原数量级109下降到106以下,采取限制密度聚类中的核心点ε-邻域内的反例百分比的方法,可以增加约简样本的个数,可将分类准确率提高5%~8%左右.     

基于超球面支持向量机的综合传动状态判别

以油液光谱分析数据为基础,建立了基于超球面支持向量机的综合传动状态判别模型。利用主成分分析法,对油液光谱分析数据进行预处理,并进行主成分提取的研究分析。研究了参数的变化和异常样本对模型性能的影响。实验研究表明,基于超球面支持向量机的状态判别模型准确可行,能实现综合传动的状态判别。     

基于一类支持向量机的黄顶菊种子识别

为提高黄顶菊种子识别的有效性和正确性,在识别模型建立时,引入一类支持向量机算法解决黄顶菊种子和与其相似种子训练样本数量不平衡问题.介绍了一类支持向量机建模的基本原理,分析了影响模型准确率的主要因素,采用交叉验证法和网格搜索对模型进行了优化.仿真结果表明,该模型在黄顶菊种子识别中具有良好的性能,对黄顶菊种子的平均识别率在...     

基于核可能性c-均值算法的支持向量机

提出一种基于核可能性c-均值算法的支持向量机分类算法,该算法改进了SVM训练过程中噪声和孤立点的敏感问题.其基本思想是:用核可能性c-均值算法对每个模式类训练样本进行聚类,得到不同的可能性度量值,根据得到的可能性度量值对训练样本进行修剪,删除具有较低可能性度量值的训练样本,最后用生成的新训练样本训练支持向量机.实验结果表明,该算法可以有效地解决由噪声和孤立点引发的分类错误问题以及重要样本的错分问题.     

基于相似方向的二叉树支持向量机多类分类算法

介绍了几种常用的支持向量机多类分类方法,指出了各自优点和不足之处.在现有的基于二叉树的支持向量机多类分类算法的基础上,提出了一种新的以类间相似方向作为二叉树支持向量机(BT-SVM)生成算法的多类分类方法,实例分析表明该方法具有较高的精度和推广能力.     

基于可靠性测度的多类支持向量机

多类分类问题是我们经常遇到的问题,常用的方法是将多类问题转化为若干个二类问题,然后利用二类支持向量机(support vector machine,SVM)进行分类,如一对余SVM,一对一SVM,决策树SVM等.在这些方法中,大都没有考虑所生成的多个分类器之间的可靠性和重要性问题.为了改进这一点,本文以一对余SVM为例,提出了两种基于可靠性测度的多类分类算法,算法的思想可用于一对一SVM,决策树SVM等其他多种分类器中.为了检验所提算法的有效性,本文进行了比较试验,实验结果表明所提算法不仅提高了分类准确度,而且具有更为广泛的推广能力.     

支持向量机多类分类方法研究

系统地回顾了现有的支持向量机多类分类方法,通过对其原理和实现方法的分析,从训练速度、分类速度和推广能力3个方面对这些方法的优缺点进行了归纳和总结,并得出相关结论.     

基于半监督支持向量机的数据分类

为解决支持向量机在分类识别前需要利用已知训练集进行训练的问题，本文提出了一种基于k均值的对无标识数据进行分类的支持向量机分类算法。首先利用k均值算法将未知数据划分成某个数量的子集，然后对新数据进行支持向量机训练得到决策边界与支持矢量，最后对无标识数据进行分类。模拟结果表明：训练时消耗的CHU时间为1．8280秒，支持向量个数为60时，分类错误率小于2％。     

基于决策树多分类支持向量机岩性波谱分类

地面岩性波谱建模是高光谱遥感地质填图的关键环节之一,地面岩性波谱具有高维、多类特点,传统的多光谱分类方法不能对地面岩性高光谱数据进行有效处理。该文在岩性波谱特征分析的基础上,构建岩性波谱特征空间;然后,从支持向量机(SVM)基本理论出发并对算法改进,建立了一个基于决策树的SVM多类分类器(DT-SVMs);最后,利用云南北衙金矿区采集的野外实测岩性波谱数据进行分类实验,分类正确率达到93.75%。实验结果表明:基于决策树的多类分类支持向量机(DT-SVMs)可以很好的应用于地面岩性的波谱分类建模。同时,可推广到高光谱遥感岩性分类研究。