CAJ | 학술논문

传统支持向量机分类过程的计算量和支持向量的个数成正比,当支持向量较多时,其分类过程的计算比较耗时.该文基于支持向量的稀疏性,证明了对支持向量压缩时,收紧新的快速决策函数和原始决策函数之间的误差等价于在样本空间对原始支持向量进行K均值聚类操作,据此提出了一种约简支持向量的快速分类算法FD-SVM(Fast Decision algorithm of Support Vector Machine),该算法首先对原始的支持向量进行特定比例的K均值聚类操作,聚类的中心为约简后新的支持向量,按照分类误差最小的原则构建优化模型,用二次规划方法求解得到新的支持向量的系数.标准数据集上的实验表明,保持分类精度的损失在统计意义上不明显的前提下,FD-SVM可以有效压缩支持向量的数量,提高分类速度.
전통지지향량궤분류과정적계산량화지지향량적개수성정비,당지지향량교다시,기분류과정적계산비교모시.해문기우지지향량적희소성,증명료대지지향량압축시,수긴신적쾌속결책함수화원시결책함수지간적오차등개우재양본공간대원시지지향량진행K균치취류조작,거차제출료일충약간지지향량적쾌속분류산법FD-SVM(Fast Decision algorithm of Support Vector Machine),해산법수선대원시적지지향량진행특정비례적K균치취류조작,취류적중심위약간후신적지지향량,안조분류오차최소적원칙구건우화모형,용이차규화방법구해득도신적지지향량적계수.표준수거집상적실험표명,보지분류정도적손실재통계의의상불명현적전제하,FD-SVM가이유효압축지지향량적수량,제고분류속도.