计算机科学
計算機科學
계산궤과학
COMPUTER SCIENCE
2009年
9期
215-217
,共3页
粒子群%支持向量机%训练样本%海量数据
粒子群%支持嚮量機%訓練樣本%海量數據
입자군%지지향량궤%훈련양본%해량수거
对于大规模SVM训练样本数据,在分类前采用粒子群算法进行样本缩减,每一个粒子的维对应一个样本状态,通过更新粒子的速度和位置信息,调整训练样本的状态,引导粒子向分类最优的样本状态组合方向移动,去除样本中对分类不起作用的非支持向量和冗余的支持向量所对应的样本,生成新的缩减样本,进行分类训练,从而达到提高训练效率的目的.基于大规模遥感图像数据集的分类实验表明,此方法在确保不降低分类精度的前提下减少了分类时间.
對于大規模SVM訓練樣本數據,在分類前採用粒子群算法進行樣本縮減,每一箇粒子的維對應一箇樣本狀態,通過更新粒子的速度和位置信息,調整訓練樣本的狀態,引導粒子嚮分類最優的樣本狀態組閤方嚮移動,去除樣本中對分類不起作用的非支持嚮量和冗餘的支持嚮量所對應的樣本,生成新的縮減樣本,進行分類訓練,從而達到提高訓練效率的目的.基于大規模遙感圖像數據集的分類實驗錶明,此方法在確保不降低分類精度的前提下減少瞭分類時間.
대우대규모SVM훈련양본수거,재분류전채용입자군산법진행양본축감,매일개입자적유대응일개양본상태,통과경신입자적속도화위치신식,조정훈련양본적상태,인도입자향분류최우적양본상태조합방향이동,거제양본중대분류불기작용적비지지향량화용여적지지향량소대응적양본,생성신적축감양본,진행분류훈련,종이체도제고훈련효솔적목적.기우대규모요감도상수거집적분류실험표명,차방법재학보불강저분류정도적전제하감소료분류시간.
