基于多层聚类的多分类SVM快速学习方法

发布时间：2018-04-10 09:55

  本文选题：支持向量机　切入点：大规模训练集　出处：《计算机工程与设计》2017年02期

【摘要】：针对SVM大规模多类样本学习效率较低的问题,提出一种基于多层聚类的多分类SVM快速学习方法。采用自下而上的方式构建二叉树层次结构,根据所得层次结构,对每个节点对应的样本进行学习。学习时对训练样本进行首次聚类得到若干类簇,对其中只有一类样本的类簇提取中心点;对有两类样本的类簇,根据其混合度,对其正负类样本设定不同的聚类数,进行二次聚类,提取所得类簇中心点。整合上述步骤中提取的中心点作为约简后的样本,学习并得到子分类器。仿真结果表明,基于多层聚类的多分类SVM快速学习方法能够在保证较高分类准确率的前提下,大幅约简训练样本,有效提高学习效率。
[Abstract]:In order to solve the problem of low learning efficiency of large scale multi-class samples of SVM, a fast learning method for multi-classification SVM based on multi-layer clustering is proposed.The hierarchical structure of binary tree is constructed in a bottom-up way, and the corresponding samples of each node are studied according to the hierarchy.Some clusters are obtained by clustering the training samples for the first time, and the clusters with only one kind of samples are extracted from the center points. For the clusters with two kinds of samples, different clustering numbers are set for the positive and negative cluster samples according to their mixing degree.The cluster center was extracted by quadratic clustering.The center points extracted from the above steps are integrated as the reduced samples, and the sub-classifier is obtained.Simulation results show that the multi-classification SVM fast learning method based on multi-layer clustering can greatly reduce the training samples and improve the learning efficiency under the premise of higher classification accuracy.
【作者单位】： 空军工程大学航空航天工程学院;
【分类号】：TP181

【参考文献】

相关期刊论文 前8条

1 陈星;严华;;二叉树SVM算法在小样本故障诊断中的优化[J];计算机测量与控制;2015年03期

2 汪海燕;黎建辉;杨风雷;;支持向量机理论及算法研究综述[J];计算机应用研究;2014年05期

3 张宇;王文剑;郭虎升;;基于粒分布的支持向量机加速训练方法[J];南京大学学报(自然科学版);2013年05期

4 徐启华;师军;耿帅;;应用快速多分类SVM的航空发动机故障诊断方法[J];推进技术;2012年06期

5 方莹;;多策略融合的SVM决策树构建[J];兰州理工大学学报;2012年03期

6 王越;夏书银;马胜;;支持向量机大规模快速算法[J];计算机工程与设计;2012年05期

7 王伟;马永强;彭强;;SVM多类分类器在车牌字符识别中的应用[J];计算机工程与设计;2011年09期

8 范柏超;王建宇;薄煜明;;结合特征选择的二叉树SVM多分类算法[J];计算机工程与设计;2010年12期

相关硕士学位论文 前1条

1 郎宇宁;基于支持向量机的多分类方法研究及应用[D];西南交通大学;2010年

【共引文献】

相关期刊论文 前10条

1 李颀;王志鹏;窦轩;季雨薇;;基于无线传感器网络的产前母猪行为监测系统[J];家畜生态学报;2017年03期

2 张春艳;倪世宏;张鹏;查翔;;基于多层聚类的多分类SVM快速学习方法[J];计算机工程与设计;2017年02期

3 唐晓波;王中勤;钟林霞;;基于维基语义扩展的微博话题追踪模型研究[J];情报科学;2017年02期

4 刘焕军;张小康;张新乐;武洪峰;金慧凝;于胜男;邱政超;;面向土壤分类的高光谱反射特征参数模型[J];遥感学报;2017年01期

5 尤成新;鲁峰;黄金泉;;航空发动机传感器信号重构的K-ELM方法[J];航空动力学报;2017年01期

6 韩晓艳;赵东;;基于粒子群的支持向量机图像识别[J];液晶与显示;2017年01期

7 赵雪凝;杜坤;周明;任刚红;李诚;;演化追踪法优化相空间的SVM供水量预测模型[J];土木建筑与环境工程;2016年S2期

8 曹雄赳;贾洪飞;伍速锋;张洋;康浩;;基于DAG-SVM的居民出行方式选择模型[J];交通信息与安全;2016年05期

9 张莉;;基于MPL-Boost算法的多姿态行人检测方法[J];电脑知识与技术;2016年26期

10 林关成;;阵列波束优化的标准支持向量回归[J];西安工程大学学报;2016年05期

相关硕士学位论文 前9条

1 张玉明;基于支持向量机的我国国债规模风险评价研究[D];兰州大学;2016年

2 刘芳;基于3D点云的可操作对象识别方法研究[D];华北电力大学;2015年

3 赵济民;基于SVM的地磁车辆检测器车型分类方法研究[D];北京交通大学;2014年

4 乐大勇;基于粒计算的人脸表情识别研究[D];南昌大学;2013年

5 徐磊;基于SVM的煤矿瓦斯抽采系统火灾隐患识别的研究[D];安徽理工大学;2013年

6 吴杞昊;热镀锌生产线退火炉过程监测与故障诊断系统研究与设计[D];东北大学;2013年

7 陈中杰;基于支持向量机的结构特征参数预处理方法研究[D];西南科技大学;2013年

8 于玲;DWT和FAST PCA与SVM在人脸识别技术中的应用[D];太原理工大学;2013年

9 谭文齐;基于SVM多类分类算法的铝土矿泡沫浮选工况识别研究[D];中南大学;2013年

【二级参考文献】

相关期刊论文 前10条

1 赵海洋;徐敏强;王金东;;改进二叉树支持向量机及其故障诊断方法研究[J];振动工程学报;2013年05期

2 焦鹏;王新政;谢鹏远;;基于SVM的模拟电路故障诊断及参数优化方法[J];计算机测量与控制;2013年08期

3 周鑫;杨国华;朱向芬;陈琳;丁晓花;周世文;肖龙;;欧氏距离二叉树向量机的变压器故障诊断研究[J];电测与仪表;2013年06期

4 王越;吕奇峰;王泉;曾晶;;一种改进的支持向量机序列最小优化算法[J];重庆理工大学学报(自然科学);2013年03期

5 白静;杨利红;张雪英;;一种面向语音识别的抗噪SVM参数优化方法[J];中南大学学报(自然科学版);2013年02期

6 万鹏;王红军;徐小力;;局部切空间排列和支持向量机的故障诊断模型[J];仪器仪表学报;2012年12期

7 李雷;房小萍;张宁;;一种基于几何分布的新支持向量机多分类方法[J];计算机技术与发展;2012年11期

8 赖苏;熊忠阳;江帆;唐蓉君;;利用改进的多项式核函数支持向量机进行文本分类[J];重庆大学学报;2012年S1期

9 单玉刚;王宏;董爽;;改进的一对一支持向量机多分类算法[J];计算机工程与设计;2012年05期

10 双小川;张克;;基于统计和结构特征的手写数字识别研究[J];计算机工程与设计;2012年04期

【相似文献】

相关期刊论文 前10条

1 左为平;一类特殊的平衡二叉树[J];天水师范学院学报;2003年05期

2 朱上俭;全线索二叉树中的插入运算[J];武汉工业大学学报;1997年02期

3 刘蔚林;线索二叉树结构的一点改进[J];南昌大学学报(理科版);2000年04期

4 李云鹤,武善玉,钟鸣;最优二叉树编译码确定的一种新方法[J];茂名学院学报;2003年04期

5 刘念祖;立体二叉树在排序中的应用[J];上海师范大学学报(自然科学版);2005年03期

6 刘念祖;;立体二叉树及其应用[J];计算机工程与应用;2005年35期

7 曹阳;徐强;;二叉树生成算法的智能实现算法[J];辽东学院学报;2006年02期

8 赵军;张东梅;;平衡二叉树[J];电脑学习;2007年02期

9 李静;郭鹏;;快捷分析二叉树的排序[J];科技咨询导报;2007年20期

10 侯卫周;宋蓓;;森林转换为二叉树的另一种方法的技术研究[J];洛阳师范学院学报;2007年05期

相关会议论文 前10条

1 沈红;刘向东;刘永奎;;一种全线索化的线索二叉树[A];新世纪 新机遇 新挑战——知识创新和高新技术产业发展（上册）[C];2001年

2 林和平;周颜军;李永旭;;线索二叉树[A];2005全国计算机程序设计类课程教学研讨会论文集[C];2005年

3 秦科;刘乃琦;;二叉树与信息加密[A];’2004计算机应用技术交流会议论文集[C];2004年

4 王倩;尤枫;赵瑞莲;;一种二叉树结构型测试数据自动生成方法[A];第十四届全国容错计算学术会议(CFTC'2011)论文集[C];2011年

5 王正辉;姜鹏飞;张锋;;二叉树的四种遍历的非递归算法[A];计算机研究新进展（2010）——河南省计算机学会2010年学术年会论文集[C];2010年

6 冯涛;刘旭;沈西挺;;二叉树结构在数据库动态检索中的应用[A];2007北京地区高校研究生学术交流会通信与信息技术会议论文集（上册）[C];2008年

7 谭辉;李凯;;TAVL：一种高效索引结构[A];第四届全国信息检索与内容安全学术会议论文集（上）[C];2008年

8 廉成洋;毛宇光;;一种基于二叉树的HTML到XML的转换方法研究[A];2009年中国高校通信类院系学术研讨会论文集[C];2009年

9 杨春德;魏国辉;任静静;杨孝田;;DNA计算机中二叉树的层次遍历算法[A];2008'中国信息技术与应用学术论坛论文集（二）[C];2008年

10 徐宁;洪先龙;董社勤;;二划分布图规划的确定性优化算法[A];全国第13届计算机辅助设计与图形学（CAD/CG）学术会议论文集[C];2004年

相关重要报纸文章 前2条

1 陈智罡;树的复习与总结[N];中国电脑教育报;2003年

2 沈飞昊;七论通胀无牛市[N];上海证券报;2008年

相关硕士学位论文 前10条

1 孙晓妮;二叉树结构的多用户茫然RAM方案[D];山东大学;2016年

2 董兆安;二叉树枚举算法的研究[D];华东师范大学;2005年

3 周陆乐;二叉树的布局图画法及其性能研究[D];华东理工大学;2014年

4 李秋林;孪生二叉树支持向量分类机[D];西南大学;2013年

5 王倩;二叉树结构型测试数据生成方法研究[D];北京化工大学;2011年

6 舒祥波;基于样本体的SVM研究及在二叉树多分类中的应用[D];武汉科技大学;2012年

7 余巧珍;基于一对多分割的二叉树支持张量机算法研究[D];华南理工大学;2013年

8 李卡麟;基于二叉树的LS-WSVM模型在早期火灾分类上的研究[D];汕头大学;2010年

9 朱雅莉;堆栈和二叉树数据结构在DNA计算机中的设计与实现[D];湖南大学;2007年

10 毛影;树型结构的应用与平衡查找树的研究[D];江西师范大学;2010年

，

本文编号：1730725