共查询到18条相似文献,搜索用时 156 毫秒
1.
2.
为了克服传统支持向量机训练速度慢、计算资源需求大等缺点,本文应用最小二乘支持向量机算法来解决分类问题。同时,本文指出了决策导向循环图算法的缺陷,采用自适应导向循环图思想来实现多类问题的分类。为了提高样本的学习速度,本文还将序贯最小优化算法与最小二乘支持向量机相结合,最终形成了ADAGLSSVM算法。考虑到最小二
乘支持向量机算法失去了支持向量的稀疏性,本文对支持向量作了修剪。实验结果表明,修剪后,分类器的识别精度和识别速度都得到了提高。 相似文献
乘支持向量机算法失去了支持向量的稀疏性,本文对支持向量作了修剪。实验结果表明,修剪后,分类器的识别精度和识别速度都得到了提高。 相似文献
3.
4.
在增量学习过程中,随着训练集规模的增大,支持向量机的学习过程需要占用大量内存,寻优速度非常缓慢。在现有的一种支持向量机增量学习算法的基础上,结合并行学习思想,提出了一种分层并行筛选训练样本的支持向量机增量学习算法。理论分析和实验结果表明:与原有的算法相比,新算法能在保证支持向量机的分类能力的前提下显著提高训练速度。 相似文献
5.
支持向量机算法用于夜光藻密度建模 总被引:4,自引:0,他引:4
支持向量机(SVM)算法是特别适合于用有限已知样本训练建模,进而预报未知样本属性的模式识别新算法。本文旨在尝试将Vapnik提出的支持向量机算法用于环境保护领域。用支持向量回归算法总结了石城岛,王家岛附近赤潮发生与海水温度,溶解氧,盐度,总氮量,无机磷,浮游植物密度的对应关系。用支持向量回归算法求得赤潮爆发的数学模型。留一法结果表明,支持向量回归的预报误差比人工神经网络小。支持向量机方法可以成为研究赤潮发生机理,探索赤潮预报途径的一种工具。 相似文献
6.
支持向量机组合分类及其在文本分类中的应用 总被引:3,自引:0,他引:3
针对标准支持向量机对野值点和噪音敏感,分类时明显倾向于大类别的问题,提出了一种同时考虑样本差异和类别差异的双重加权支持向量机。并给出了由近似支持向量机结合支持向量识别算法,识别野值点和计算样本重要性权值的方法.双重加权支持向量机和近似支持向量机组合的新分类算法尤其适用于样本规模大、样本质量不一、类别不平衡的文本分类问题.实验表明新算法改善了分类器的泛化性能。比传统方法具有更高的查准率和查全率. 相似文献
7.
Online支持向量机作为一种新的分类方法可以在异常入侵检测中提供良好的分类效果。根据Online算法对传统支持向量机、Robust支持向量机和One-class支持向量机进行改进,将改进后的算法与原始算法进行比较,然后使用1999 DARPA数据作为评估数据。通过实验和比较发现,改进后的支持向量机可以实现在线训练,而且使用更少的支持向量,训练时间也有效缩短,在噪声数据存在的情况下检测正确率和虚警率比未改进前有一定程度的提升。 相似文献
8.
基于SVM的中文文本自动分类研究 总被引:1,自引:0,他引:1
详细介绍了进行文本分类的过程,并着重介绍了一种新的基于结构风险最小化理论的分类算法——支持向量机,通过实验比较支持向量机算法和传统的KNN算法应用于文本分类的效果,证实了支持向量机在处理文本分类问题上的优越性。 相似文献
9.
利用粗糙集理论提高SVM预测系统的实时性 总被引:1,自引:0,他引:1
支持向量机是一种新的机器学习方法,它具有良好的推广性和分类精确性。但是在利用支持向量机的分类算法处理实际问题时,该算法的计算速度较慢、处理问题效率较低。文中介绍了一种新的学习算法,就是将粗糙集和支持向量机相结合,利用粗糙集对支持向量机的训练样本进行预处理,从而缩短样本的训练时间,提高基于SVM预测系统实时性。文中最后利用该方法进行了数据试验,试验结果表明了该方法可以大大缩短样本的训练时间,提高基于支持向量机处理预测系统的效率。从而也证明了该方法的有效性。 相似文献
10.
预抽取相对较近边界向量的选块算法 总被引:1,自引:0,他引:1
利用支持向量机中支持向量的稀疏性和支持向量分布于分划超平面周围的性质,该文提出了一种预抽取相对较近边界向量的选块算法的新算法,该算法减少了普通选块算法的迭代次数和提高了仅依靠相对较近边界向量的准确率,从而大大加快了支持向量机的训练速度,且支持向量机的分类能力不受任何影响。 相似文献
11.
12.
Support Vector Machines (SVMs) have gained outstanding generalization in many fields. However, standard SVM and most of modified SVMs are in essence batch learning, which make them unable to handle incremental learning or online learning well. Also, such SVMs are not able to handle large-scale data effectively because they are costly in terms of memory and computing consumption. In some situations, plenty of Support Vectors (SVs) are produced, which generally means a long testing time. In this paper, we propose an online incremental learning SVM for large data sets. The proposed method mainly consists of two components: the learning prototypes (LPs) and the learning Support Vectors (LSVs). LPs learn the prototypes and continuously adjust prototypes to the data concept. LSVs are to get a new SVM by combining learned prototypes with trained SVs. The proposed method has been compared with other popular SVM algorithms and experimental results demonstrate that the proposed algorithm is effective for incremental learning problems and large-scale problems. 相似文献
13.
14.
基于支持向量机的遥感图像压缩方法 总被引:1,自引:0,他引:1
在分析遥感图像特征的基础上,提出了一种基于支持向量机(SVM)的遥感图像压缩方法。该方法采用小波变换把原图像分解成不同尺度的多个子带,对最低频子带系数采用DPCM直接编码,对其它频带系数采用SVM回归方法学习数据之间的相关性,并采用小部分训练样本,即支持向量来稀疏表示原始数据集,从而实现数据压缩。实验表明,与同类压缩方法相比,该算法获得的恢复图像的主客观质量有明显提高。 相似文献
15.
提出基于公共矢量的最小类内方差支持向量机(CV-MCVSVM),用于提高噪音人脸图像分类问题中的抗噪性能。它继承了最小类内方差支持向量机(MCVSVMs)的优点,引入了由公共矢量(CVs)构成的散度矩阵Scom,由于CVs包含了样本中的共同信息,因此CV-MCVSVM在定义中将每个样本减去了CVs的均值,保留了更多的分类信息,进一步提高了抗噪能力。给出了CV-MCVSVM的推导过程。经实验验证,在含有噪音人脸图像的分类问题中,CV-MCVSVM获得了比MCVSVMs和总间隔v-支持向量机(TM-v-SVM)更好的分类性能。 相似文献
16.
In this paper, we introduce a new machine-learning-based data classification algorithm that is applied to network intrusion detection. The basic task is to classify network activities (in the network log as connection records) as normal or abnormal while minimizing misclassification. Although different classification models have been developed for network intrusion detection, each of them has its strengths and weaknesses, including the most commonly applied Support Vector Machine (SVM) method and the Clustering based on Self-Organized Ant Colony Network (CSOACN). Our new approach combines the SVM method with CSOACNs to take the advantages of both while avoiding their weaknesses. Our algorithm is implemented and evaluated using a standard benchmark KDD99 data set. Experiments show that CSVAC (Combining Support Vectors with Ant Colony) outperforms SVM alone or CSOACN alone in terms of both classification rate and run-time efficiency. 相似文献
17.
提出一个新的基于MRSVM的说话人辨识方法,首先对语音特征矢量进行LDA降维,得到具有区分力的特征矢量,然后对其进行模糊核聚类,根据样本选择算法,选择聚类边界的特征矢量作为支持向量训练支持向量机,在不影响识别率的情况下,大大减少了支持向量机的存储量和训练量。实验表明该方法具有较好的总体效果。 相似文献
18.
一种支持向量逐步回归机算法研究 总被引:2,自引:2,他引:2
支持向量机是解决非线性问题的重要工具,对多元线性回归模型和支持向量机的原始形式进行比较,拟定从样本子集的多元线性回归模型出发,逐步搜索支持向量,提出了一种建立支持向量回归机的快速算法,以降低核矩阵的规模从而降低解凸二次规划的复杂度;最后,分析了该算法的复杂度,并提供了一个算例。 相似文献