双LSSVM的增量学习和稀疏算法研究
发布时间：2021-01-04 21:24
最小二乘双支持向量机（双LSSVM）是双支持向量机（TSVM）的一种变形,被广泛的应用于分类与回归问题中。与TSVM解二次规划问题相比,LSSVM可转化为解一组线性方程组,从而提高了训练速度,但是失去了解的稀疏性,导致测试速度变慢,不适用于大规模数据集,所以稀疏化双LSSVM成了重中之重。本文主要是在双LSSVM的基础上提出两种改进方法:增量学习算法和稀疏化算法,主要工作包括以下两个方面。一方面,针对在求解双LSSVM目标函数时会出现对非满秩矩阵求逆的问题,本文提出改进的双LSSVM（双ILSSVM）,即利用经验风险最小化原则避免病态解的产生。在训练过程中,利用Sherman-Morrison定理对矩阵的逆进行分解,然后重组矩阵的逆,得到一种结构相对简单、计算量小的迭代求解算法,又因为增量学习降低了对时间和空间的需求,所以本文提出基于Sherman-Morrison定理和增量学习的双ILSSVM算法,即SMI-双ILSSVM算法。该方法通过选取不同样本子集大小k来控制测试准确率和训练时间随迭代次数的变化情况。最后通过UCI数据集上的实验表明,本文提出的SMI-ILSTSVM增量学习算法...
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
SVM的分类示意图
西安电子科技大学硕士学位论文持向量机7 年，Jayadeva 等人基于 GEPSVM 理论以及非平行超平面理论对 S进而提出了双支持向量机[18,19]（Twin Support Vector Machines,TSV绍其原理：数据集有m个n维的样本，分为左右两类，其中有1m 左类点（+1）-1）。用矩阵 A表示左类1m n维数据集，用矩阵 B 表示右类2m 本思想[24]是通过构造两个超平面来进行分类，每个超平面拟合一类样一类样本，如图 2.2 所示。
【参考文献】：
期刊论文
[1]一种新的超球SVDD增量学习方法[J]. 段修生,曹健,孙世宇,张泽建. 计算机应用与软件. 2015(02)
[2]基于TWSVM的图像分类[J]. 朱志宾,丁世飞. 南京师大学报(自然科学版). 2014(03)
[3]一种改进的最小二乘孪生支持向量机分类算法[J]. 储茂祥,王安娜,巩荣芬. 电子学报. 2014(05)
[4]最小二乘双支持向量机的在线学习算法[J]. 穆晓霞,陈留院,李钧涛. 计算机仿真. 2012(03)
[5]基于支持向量机的人脸识别技术研究[J]. 于真. 计算机仿真. 2011(12)
[6]最小二乘支持向量机分类的稀疏化方法研究[J]. 陈圣磊,陈耿,薛晖. 计算机工程. 2011(22)
[7]基于SVM的静态手写签名识别方法研究[J]. 肖亚红. 微电子学与计算机. 2011(09)
[8]构造稀疏最小二乘支持向量机的快速剪枝算法[J]. 周欣然,滕召胜,易钊. 电机与控制学报. 2009(04)
[9]最小二乘支持向量机变型算法研究[J]. 杜喆,刘三阳. 西安电子科技大学学报. 2009(02)
[10]基于最小二乘支持向量机的复杂金融时间序列预测[J]. 辛治运,顾明. 清华大学学报(自然科学版). 2008(07)
博士论文
[1]孪生支持向量机关键问题的研究[D]. 黄华娟.中国矿业大学 2014
[2]基于支持向量机的聚类及文本分类研究[D]. 平源.北京邮电大学 2012
硕士论文
[1]基于KFCM的模糊最小二乘SVM研究[D]. 薛松.南京邮电大学 2015
[2]双支持向量机的改进及其应用[D]. 刘凯.兰州大学 2013
[3]基于支持向量机的文本自动分类器的研究与应用[D]. 黄瑜青.广东工业大学 2012
[4]基于SVM与AdaBoost组合的分类算法研究[D]. 陈春萍.西安电子科技大学 2012
[5]基于SVM的基因表达谱分析和函数集VC维研究[D]. 高洁.华东师范大学 2011
[6]应用机器学习对保险公司历史订单整合进行的研究[D]. 谢昉.上海交通大学 2008
[7]基于支持向量机的汉语语音端点检测和声韵分离[D]. 蔡魁杰.哈尔滨工程大学 2007
本文编号：2957393
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
SVM的分类示意图
西安电子科技大学硕士学位论文持向量机7 年，Jayadeva 等人基于 GEPSVM 理论以及非平行超平面理论对 S进而提出了双支持向量机[18,19]（Twin Support Vector Machines,TSV绍其原理：数据集有m个n维的样本，分为左右两类，其中有1m 左类点（+1）-1）。用矩阵 A表示左类1m n维数据集，用矩阵 B 表示右类2m 本思想[24]是通过构造两个超平面来进行分类，每个超平面拟合一类样一类样本，如图 2.2 所示。
【参考文献】：
期刊论文
[1]一种新的超球SVDD增量学习方法[J]. 段修生,曹健,孙世宇,张泽建. 计算机应用与软件. 2015(02)
[2]基于TWSVM的图像分类[J]. 朱志宾,丁世飞. 南京师大学报(自然科学版). 2014(03)
[3]一种改进的最小二乘孪生支持向量机分类算法[J]. 储茂祥,王安娜,巩荣芬. 电子学报. 2014(05)
[4]最小二乘双支持向量机的在线学习算法[J]. 穆晓霞,陈留院,李钧涛. 计算机仿真. 2012(03)
[5]基于支持向量机的人脸识别技术研究[J]. 于真. 计算机仿真. 2011(12)
[6]最小二乘支持向量机分类的稀疏化方法研究[J]. 陈圣磊,陈耿,薛晖. 计算机工程. 2011(22)
[7]基于SVM的静态手写签名识别方法研究[J]. 肖亚红. 微电子学与计算机. 2011(09)
[8]构造稀疏最小二乘支持向量机的快速剪枝算法[J]. 周欣然,滕召胜,易钊. 电机与控制学报. 2009(04)
[9]最小二乘支持向量机变型算法研究[J]. 杜喆,刘三阳. 西安电子科技大学学报. 2009(02)
[10]基于最小二乘支持向量机的复杂金融时间序列预测[J]. 辛治运,顾明. 清华大学学报(自然科学版). 2008(07)
博士论文
[1]孪生支持向量机关键问题的研究[D]. 黄华娟.中国矿业大学 2014
[2]基于支持向量机的聚类及文本分类研究[D]. 平源.北京邮电大学 2012
硕士论文
[1]基于KFCM的模糊最小二乘SVM研究[D]. 薛松.南京邮电大学 2015
[2]双支持向量机的改进及其应用[D]. 刘凯.兰州大学 2013
[3]基于支持向量机的文本自动分类器的研究与应用[D]. 黄瑜青.广东工业大学 2012
[4]基于SVM与AdaBoost组合的分类算法研究[D]. 陈春萍.西安电子科技大学 2012
[5]基于SVM的基因表达谱分析和函数集VC维研究[D]. 高洁.华东师范大学 2011
[6]应用机器学习对保险公司历史订单整合进行的研究[D]. 谢昉.上海交通大学 2008
[7]基于支持向量机的汉语语音端点检测和声韵分离[D]. 蔡魁杰.哈尔滨工程大学 2007
本文编号：2957393
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2957393.html
