中国图象图形学报A辑
中國圖象圖形學報A輯
중국도상도형학보A집
Journal of Image and Graphics
2003年
9期
1037-1042
,共6页
模式识别(520@2040) 支持向量机(SVM) 分类精度 类别差异 权值 户外图象
模式識彆(520@2040) 支持嚮量機(SVM) 分類精度 類彆差異 權值 戶外圖象
모식식별(520@2040) 지지향량궤(SVM) 분류정도 유별차이 권치 호외도상
支持向量机(SVM)算法在各类别样本数多少不同时,样本数量多的类别,其分类误差小,而样本数量少的类别,其分类误差大.针对这种倾向性问题,在分析其产生原因的基础上,提出了加权SVM算法,从而克服了常规SVM算法不能灵活处理每一个样本的缺陷,同时补偿了这种倾向性造成的不利影响.这种以牺牲大类别精度来提高小类别精度的加权支持向量机方法,可应用于诸如故障诊断等关注小类别分类精度的场合.户外图象识别的实验结果证明,该算法是有效的.
支持嚮量機(SVM)算法在各類彆樣本數多少不同時,樣本數量多的類彆,其分類誤差小,而樣本數量少的類彆,其分類誤差大.針對這種傾嚮性問題,在分析其產生原因的基礎上,提齣瞭加權SVM算法,從而剋服瞭常規SVM算法不能靈活處理每一箇樣本的缺陷,同時補償瞭這種傾嚮性造成的不利影響.這種以犧牲大類彆精度來提高小類彆精度的加權支持嚮量機方法,可應用于諸如故障診斷等關註小類彆分類精度的場閤.戶外圖象識彆的實驗結果證明,該算法是有效的.
지지향량궤(SVM)산법재각유별양본수다소불동시,양본수량다적유별,기분류오차소,이양본수량소적유별,기분류오차대.침대저충경향성문제,재분석기산생원인적기출상,제출료가권SVM산법,종이극복료상규SVM산법불능령활처리매일개양본적결함,동시보상료저충경향성조성적불리영향.저충이희생대유별정도래제고소유별정도적가권지지향량궤방법,가응용우제여고장진단등관주소유별분류정도적장합.호외도상식별적실험결과증명,해산법시유효적.
