一种基于样本加权的多尺度核支持向量机方法

发布时间：2017-09-30 23:29

  本文关键词：一种基于样本加权的多尺度核支持向量机方法

  更多相关文章： 多核学习 映射 非线性模式 数据异构

【摘要】：多核学习方法是机器学习领域中的一个新的热点。核方法通过将数据映射到高维空间来增加线性分类器的计算能力,是目前解决非线性模式分析与分类问题的一种有效途径。但是在一些复杂的情况下,单个核函数构成的核学习方法并不能完全满足如数据异构或者不规则、样本规模大、样本分布不平坦等实际应用中的需求问题,因此将多个核函数进行组合以期获得更好的结果,是一种必然的发展趋势。因此提出一种基于样本加权的多尺度核支持向量机方法,通过不同尺度核函数对样本的拟合能力进行加权,从而得到基于样本加权的多尺度核支持向量机决策函数。通过在多个数据集上的实验分析可以得出所提方法对于各个数据集都获得了很高的分类准确率。
【作者单位】： 西北师范大学计算机科学与工程学院;
【关键词】： 多核学习 映射 非线性模式 数据异构
【基金】：国家自然科学基金资助项目(61163036) 甘肃省高校研究生导师项目(1201-16) 2012年度甘肃省高校基本科研业务费专项资金项目 西北师范大学第三期知识与创新工程科研骨干项目(nwnu-kjcxgc-03-67)资助
【分类号】：TP181
【正文快照】： 支持向量机(Support Vector Machine,SVM)[1]是一种基于统计学习的理论[2],其中,在VC理论和结构化风险最小原理的基础上实现的机器学习[3]方法能够较好地解决小样本、高维数、非线性、局部极小点等实际问题。由于支持向量机方法理论的发展和实际的应用,人们对核方法[4-6]的关

【相似文献】

中国期刊全文数据库 前10条

1 吴娟;范玉妹;王丽;;关于改进的支持向量机的研究[J];攀枝花学院学报;2006年05期

2 刘硕明;刘佳;杨海滨;;一种新的多类支持向量机算法[J];计算机应用;2008年S2期

3 尹传环;牟少敏;田盛丰;黄厚宽;;单类支持向量机的研究进展[J];计算机工程与应用;2012年12期

4 王云英;阎满富;;C-支持向量机及其改进[J];唐山师范学院学报;2012年05期

5 李逢焕;;试述不确定支持向量机应用分析及改进思路[J];中国证券期货;2012年12期

6 邵惠鹤;支持向量机理论及其应用[J];自动化博览;2003年S1期

7 曾嵘,蒋新华,刘建成;基于支持向量机的异常值检测的两种方法[J];信息技术;2004年05期

8 魏玲,张文修;基于支持向量机集成的分类[J];计算机工程;2004年13期

9 沈翠华,邓乃扬,肖瑞彦;基于支持向量机的个人信用评估[J];计算机工程与应用;2004年23期

10 林继鹏,刘君华,凌振宝;并行支持向量机算法及其应用[J];吉林大学学报(信息科学版);2004年05期

中国重要会议论文全文数据库 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

3 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

4 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

5 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

6 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

7 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

8 张晓滨;尹英顺;赵培坤;马秀兰;;基于渐进直推支持向量机的半对半多类文本分类[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

9 徐会敏;王玉兰;;线性规划支持向量机模型的研究[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

10 郭一楠;程健;肖大伟;杨梅;;分布式多分类支持向量机[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

中国博士学位论文全文数据库 前10条

1 张晓雷;支持向量机若干问题的研究[D];清华大学;2012年

2 郭虎升;支持向量机的优化建模方法研究[D];山西大学;2014年

3 姚毓凯;支持向量机关键技术及其在人体活动识别中的应用研究[D];兰州大学;2015年

4 张华美;穿墙雷达基于支持向量机的成像算法研究[D];南京邮电大学;2015年

5 王喜宾;基于优化支持向量机的个性化推荐研究[D];重庆大学;2015年

6 夏书银;基于分类噪声检测的支持向量机算法研究[D];重庆大学;2015年

7 周喜川;非可信环境下的支持向量机研究[D];浙江大学;2010年

8 常甜甜;支持向量机学习算法若干问题的研究[D];西安电子科技大学;2010年

9 王超;三类不确定支持向量机及其应用[D];河北大学;2013年

10 张国云;支持向量机算法及其应用研究[D];湖南大学;2006年

中国硕士学位论文全文数据库 前10条

1 邱志勇;一类支持张量机及其算法研究[D];华南理工大学;2015年

2 李萌;基于支持向量机的高分遥感影像分类技术研究与应用[D];中国地质大学(北京);2015年

3 李遥;基于GACO支持向量机的新能源电力系统状态预测方法研究[D];北京交通大学;2016年

4 刘小菲;支持向量机在DNA数据分析中的应用研究[D];辽宁师范大学;2015年

5 刘学博;基于支持向量机的J波诊断技术研究[D];太原理工大学;2016年

6 南圣玉;依密度量化的最小二乘支持向量机[D];北京理工大学;2016年

7 马淑艳;基于支持向量机的高炉铁水硅含量预测[D];浙江大学;2016年

8 周乐;支持向量机的渐近统计性质及其应用[D];浙江大学;2016年

9 赵越;基于支持向量机的软件质量评价[D];渤海大学;2016年

10 景晨;基于多分类支持向量机的工业故障分类[D];渤海大学;2016年

，

本文编号：951070