计算机仿真
計算機倣真
계산궤방진
COMPUTER SIMULATION
2008年
11期
161-163,171
,共4页
和文全%薛惠峰%解丹蕊%杜喆
和文全%薛惠峰%解丹蕊%杜喆
화문전%설혜봉%해단예%두철
支持向量机%近邻%分类
支持嚮量機%近鄰%分類
지지향량궤%근린%분류
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.
針對支持嚮量機對譟聲和孤立點非常敏感,以及對大規模且交錯嚴重的訓練集支持嚮量箇數多,分類速度慢和精度低等問題,基于KNN方法提齣KNN-SVM分類器.首先在特徵空間中,根據每箇樣本K箇近鄰中同類彆樣本數目的多少來刪減樣本集,然後對新樣本集進行SVM訓練;又證明瞭噹取高斯覈函數或指數覈函數時,上述刪減方法可簡化為在原空間中進行.該方法減少瞭由譟聲和孤立點以及一些對分類麵貢獻不大的樣本所帶給訓練器的負擔,減少瞭支持嚮量的箇數,從而與SVM相比,加快瞭訓練和測試速度,提高瞭分類精度.倣真實驗錶明KNN-SVM具有上述優勢,而且比NN-SVM更能閤理地刪減樣本集,達到更高的分類精度.
침대지지향량궤대조성화고립점비상민감,이급대대규모차교착엄중적훈련집지지향량개수다,분류속도만화정도저등문제,기우KNN방법제출KNN-SVM분류기.수선재특정공간중,근거매개양본K개근린중동유별양본수목적다소래산감양본집,연후대신양본집진행SVM훈련;우증명료당취고사핵함수혹지수핵함수시,상술산감방법가간화위재원공간중진행.해방법감소료유조성화고립점이급일사대분류면공헌불대적양본소대급훈련기적부담,감소료지지향량적개수,종이여SVM상비,가쾌료훈련화측시속도,제고료분류정도.방진실험표명KNN-SVM구유상술우세,이차비NN-SVM경능합리지산감양본집,체도경고적분류정도.
