计算机科学
計算機科學
계산궤과학
COMPUTER SCIENCE
2009年
1期
148-152
,共5页
周涛%张艳宁%袁和金%陆惠玲%李秀秀
週濤%張豔寧%袁和金%陸惠玲%李秀秀
주도%장염저%원화금%륙혜령%리수수
粒子群算法%支持向量机%聚类分析%对手竞争惩罚学习算法%集成
粒子群算法%支持嚮量機%聚類分析%對手競爭懲罰學習算法%集成
입자군산법%지지향량궤%취류분석%대수경쟁징벌학습산법%집성
针对现有集成支持向量机存在的训练子集随机性强、规模大、算法时空复杂度高等问题,提出了基于聚类分析的集成改进支持向量机算法.该方法首先采用基于对手惩罚策略的竞争学习算法(RPCL)时训练样本进行聚类分析,然后根据其聚类分布选择少量具有代表性的样本,并采用了基于种群收敛速度的自适应扰动的粒子群方法来训练单个支持向量机,最后通过相对多数投票方法得到集成支持向量机.实验表明相对于基于Bagging,Adaboost等方法而言,该方法在序列目标分类中对分类精度有较大提高,该方法构造的集成改进支持向量机具有较高的分类精度和较低的时、空复杂性.
針對現有集成支持嚮量機存在的訓練子集隨機性彊、規模大、算法時空複雜度高等問題,提齣瞭基于聚類分析的集成改進支持嚮量機算法.該方法首先採用基于對手懲罰策略的競爭學習算法(RPCL)時訓練樣本進行聚類分析,然後根據其聚類分佈選擇少量具有代錶性的樣本,併採用瞭基于種群收斂速度的自適應擾動的粒子群方法來訓練單箇支持嚮量機,最後通過相對多數投票方法得到集成支持嚮量機.實驗錶明相對于基于Bagging,Adaboost等方法而言,該方法在序列目標分類中對分類精度有較大提高,該方法構造的集成改進支持嚮量機具有較高的分類精度和較低的時、空複雜性.
침대현유집성지지향량궤존재적훈련자집수궤성강、규모대、산법시공복잡도고등문제,제출료기우취류분석적집성개진지지향량궤산법.해방법수선채용기우대수징벌책략적경쟁학습산법(RPCL)시훈련양본진행취류분석,연후근거기취류분포선택소량구유대표성적양본,병채용료기우충군수렴속도적자괄응우동적입자군방법래훈련단개지지향량궤,최후통과상대다수투표방법득도집성지지향량궤.실험표명상대우기우Bagging,Adaboost등방법이언,해방법재서렬목표분류중대분류정도유교대제고,해방법구조적집성개진지지향량궤구유교고적분류정도화교저적시、공복잡성.
