光学学报
光學學報
광학학보
ACTA OPTICA SINICA
2009年
7期
1888-1891
,共4页
激光聚变%相关向量机%二叉树%多类分类%支持向量机%靶识别
激光聚變%相關嚮量機%二扠樹%多類分類%支持嚮量機%靶識彆
격광취변%상관향량궤%이차수%다류분류%지지향량궤%파식별
针对支持向量机(Support Vector Machine,SVM)在惯件约束聚变(Inertial Confinement Fusion,ICF)实验靶识别中稀疏性不够高而导致决策速度慢的问题,提出利用相关向量机(Relevance Vector Machine,RVM)进行ICF实验靶识别.设计了基于二叉树的RVM多类分类器,在二叉树的构建过程中同时考虑了类距离与类分布范围两种凶素的影响,获得了更为合理的二叉树层次结构.实验证明,RVM与SVM相比识别率不相上下,但由于有更好的稀疏性使RVM的决策时间远比SVM短.该算法与传统的多类分类方法‘一对一'、‘一对多'、‘有向无环图'及‘基于类距离二叉树'相比,混合识别率更高.
針對支持嚮量機(Support Vector Machine,SVM)在慣件約束聚變(Inertial Confinement Fusion,ICF)實驗靶識彆中稀疏性不夠高而導緻決策速度慢的問題,提齣利用相關嚮量機(Relevance Vector Machine,RVM)進行ICF實驗靶識彆.設計瞭基于二扠樹的RVM多類分類器,在二扠樹的構建過程中同時攷慮瞭類距離與類分佈範圍兩種兇素的影響,穫得瞭更為閤理的二扠樹層次結構.實驗證明,RVM與SVM相比識彆率不相上下,但由于有更好的稀疏性使RVM的決策時間遠比SVM短.該算法與傳統的多類分類方法‘一對一'、‘一對多'、‘有嚮無環圖'及‘基于類距離二扠樹'相比,混閤識彆率更高.
침대지지향량궤(Support Vector Machine,SVM)재관건약속취변(Inertial Confinement Fusion,ICF)실험파식별중희소성불구고이도치결책속도만적문제,제출이용상관향량궤(Relevance Vector Machine,RVM)진행ICF실험파식별.설계료기우이차수적RVM다류분류기,재이차수적구건과정중동시고필료류거리여류분포범위량충흉소적영향,획득료경위합리적이차수층차결구.실험증명,RVM여SVM상비식별솔불상상하,단유우유경호적희소성사RVM적결책시간원비SVM단.해산법여전통적다류분류방법‘일대일'、‘일대다'、‘유향무배도'급‘기우류거리이차수'상비,혼합식별솔경고.
