基于K近邻的支持向量机分类方法

针对支持向量机对噪声和孤立点非常敏感,以及对大规模且交错严重的训练集支持向量个数多,分类速度慢和精度低等问题,基于KNN方法提出KNN-SVM分类器.首先在特征空间中,根据每个样本K个近邻中同类别样本数目的多少来删减样本集,然后对新样本集进行SVM训练;又证明了当取高斯核函数或指数核函数时,上述删减方法可简化为在原空间中进行.该方法减少了由噪声和孤立点以及一些对分类面贡献不大的样本所带给训练器的负担,减少了支持向量的个数,从而与SVM相比,加快了训练和测试速度,提高了分类精度.仿真实验表明KNN-SVM具有上述优势,而且比NN-SVM更能合理地删减样本集,达到更高的分类精度.     

基于遗传算法的西安邮政配送中心选址研究

从配送中心选址问题的实际需求出发,在综合考虑配送中心的建设经济性、交通便利性和功能布局合理性的基础上,构造了基于实际交通距离和实际地价的选址模型,并把遗传算法引入模型求解中,通过构造恰当的编码方式和遗传算子,对西安邮政物流配送中心的选址问题分别按照不考虑土地地价、需求点类型差异和考虑土地地价、需求点类型差异两种情况求解.得到了最优选址方案.研究结果证明了模型的正确性和有效性,对于解决大规模物流系统配送中心的选址问题具有重要的现实意义.     

一种改进的临近支持向量机

基于线性临近支持向量机,提出一种改进的分类器一直接支持向量机.该分类器与临近支持向量机相比,对线性分类二者相同;对于非线性分类,直接支持向量机的Lagrangian乘子求解公式和分类器的表达式都更加简单,计算复杂度降低一半,且通过替代核函数就可实现线性与非线性的统一,可使用相同的算法代码,改正了临近支持向量机的不足.数值实验表明,非线性分类时,直接支持向量机的训练速度比临近支持向量机要快一倍左右,而测试速度则快更多,且分类精度并没有降低.