共查询到10条相似文献,搜索用时 837 毫秒
1.
2.
为了实现对大规模数据集的分类,提出了一种基于支持向量数据描述(SVDD)的新算法。把两类的支持向量机(SVM)问题转化为软间隔的SVDD问题,然后用核集迭代的方法得到了近似最优解。实验结果表明,提出的算法与传统的SVM方法预测精度相当,但是训练时间和测试时间更短,产生的支持向量数也更少,适用于大规模数据的分类。 相似文献
3.
为克服经典区域增长算法中生长规则选取的困难,提出基于交互式支持向量域描述的区域增长图像分割算法.首先通过交互方式选择目标区域的一个种子点,然后通过交互式选择属于该目标区域的子块和非目标区域的子块构造SVDD的训练样本;然后利用这些已知的训练样本训练支持向量域分类器;在区域增长过程中,利用训练所得的SVDD建立增长规则.仿真实验表明,提出的算法是合理可行的. 相似文献
4.
为克服微钙化点检测中假阳性高的缺点,本文构造了一种带拒识能力的双层支持向量模型分类器用于钙化点检测。对于输入模式,首先利用基于最大间隔超平面的支持向量分类器(SVM)进行分类判决;然后对真实的钙化点样本特征空间求取最小包含球形的边界,得到钙化点样本的球形支持向量域表示(SVDD),对于输入模式即可利用钙化点的支持向量域表示进行拒识或接受处理;最后利用SVM与SVDD两个分类器的结果进行综合判决。无论是第一层的求取最优分类超平面,还是第二层的边界优化训练,都根据各个训练数据的类间最近邻距离进行排序操作,选择合适的训练样本子空间进行SVM和SVDD训练。仿真实验结果表明,本文提出的算法在不影响微钙化点检出率的情况下,可以部分解决钙化点检测中假阳性高的问题。 相似文献
6.
《工业仪表与自动化装置》2021,(3)
针对工业过程中数据维数高,导致SVDD算法在建立不同类别数据的超球面时会产生混叠区域的问题,提出了基于近邻密度-支持向量数据描述(LD-SVDD)的数据分类方法。结合局部密度信息在判别数据相似性和SVDD在数据分类的优势,使用SVDD算法对数据进行分类,对分布在混叠区域中的样本采用密度信息进一步判断其类别,通过随机产生的数据集进行仿真,并与SVDD分类结果进行比较,结果表明LD-SVDD的分类准确率提高到了93%。 相似文献
8.
10.