PSVM,LSVM和NLSVM三种SVM分类算法的比较

支持向量机(SVM)是数据分类的强大工具,本文对三个分类算法进行了比较.这三个算法是最近SVM(PSVM),Lagrangian SVM(LSVM)和有限牛顿LSVM(NLSVM),比较了三个算法给出线性分类器的过程以及算法的速度和精度,提供了用SVM方法分类问题时的导向.     

光滑支持向量机多项式函数的研究

为了找到多项式光滑支持向量机(polynomial smooth support vector machine,PSSVM)中性能更好的光滑函数,将正号函数变形并展开为多项式级数,得到一类光滑函数。证明了这类函数的性能,它既能满足任意阶光滑的要求,也能达到任意给定的逼近精度。用Newton-Armijo算法求解相应的PSSVM模型,实验结果表明,随着多项式光滑函数阶数的提高,逼近精度和相应PSSVM模型的分类性能也相应提高。     

自训练多项式光滑的半监督支持向量机

为了处理自训练半监督支持向量机算法中每次循环都需要求解二次规划因此效率低的问题,采用直接求解支持向量机的原始优化问题,由此得到一个不光滑的无约束优化问题.将正号函数展开为无穷多项式级数,由此得到了一族光滑函数,用多项式光滑函数对无约束优化问题进行逼近,并用共轭梯度算法求解模型.在人工数据和UCI数据集上的实验结果显示,给出的算法效率高,能保证标记样本很少时的分类精度并且不因标记样本的增多而明显提高分类精度.     

有新样本加入的支持向量机的学习策略

在支持向量机的学习过程中,有些情况下训练样本不能一次全部给出,这样当有新样本加入训练集时,支持向量集和训练样本集的等价关系将被打破.为了解决这个问题,本文提出了有新样本加入的支持向量机的学习策略.通过对新样本的分析,选出能代替原样本和新样本进行学习的样本,并给出这些样本应满足的条件,最后给出了相应的学习策略.对标准数据集的实验表明,本学习策略可以在新增样本增加后,有效压缩样本集的大小,提高分类的速度,舍弃无用的样本,同时保证了分类精度.     

容量制约下交通分配模型的组合同伦方法

针对带容量制约的交通分配模型进行分析变形,对简化后的模型提出了一种新方法:基于预估-校正的组合同伦方法,给出了算法的实现过程,分析了算法的收敛性,并通过实际交通分配的算例说明了算法的可行性,为解决带容量制约的交通分配模型提出了一个有效方法.     

多项式光滑的半监督支持向量分类机

为了处理半监督支持向量分类优化中的非凸非光滑问题,引入一族多项式光滑函数来逼近非凸的目标函数,给出的多项式函数在样本的高密度区逼近精度高,逼近精度低时出现在样本的低密度区,同时可以根据不同的精度要求选择不同的逼近函数.采用BFGS算法求解模型.在人工数据和UCI数据集上的实验结果显示,算法不仅能保证标号数据很少时的分类精度,而且不因标号数据的增多而明显提高分类性能,因此给出的分类器性能是稳定的.     

Hyperbolic Tangent Support Vector Machine

By utilizing hyperbolic tangent function,we constructed a novel hyperbolic tangent loss function to reduce the influences of outliers on support vector machine (SVM) classification problem.The new lass fuinction not only limits the maximal loss value of outliers but also is smooth.Hyperbolic tangent SVM (HTSVM) is then proposed based on the new loss function.The experimental results show that HTSVM reduces the effects of outliers and gives better generalization performance than the classical SVM on both artificial data and UCI data sets.Therefore,the proposed hyperbolic tangent loss faction and HTSVM are both effective.