计算机学报
計算機學報
계산궤학보
CHINESE JOURNAL OF COMPUTERS
2004年
5期
690-694
,共5页
支持向量域描述%支持向量域分类器%乘性规则%支持向量机%序列最小优化
支持嚮量域描述%支持嚮量域分類器%乘性規則%支持嚮量機%序列最小優化
지지향량역묘술%지지향량역분류기%승성규칙%지지향량궤%서렬최소우화
该文提出了一种基于支持向量域描述(SVDD)的学习分类器.在两类样本分类中,该算法在训练时通过对1类样本的描述求取包含1类样本的球形边界,然后通过该边界对两类样本数据进行分类,并且在求取边界的优化问题中,采用乘性规则来直接求取Lagrange乘子,而不是用传统的二次优化方法.该文所获得的学习算法和支持向量机(SVM)与序列最小优化(SMO)算法相比,不仅降低了样本的采集代价,而且在优化速度上有了很大提高.通过CBCL人脸库的仿真实验,将该算法和SVM、SOM算法的实验结果进行对比,说明了该学习算法的有效性.
該文提齣瞭一種基于支持嚮量域描述(SVDD)的學習分類器.在兩類樣本分類中,該算法在訓練時通過對1類樣本的描述求取包含1類樣本的毬形邊界,然後通過該邊界對兩類樣本數據進行分類,併且在求取邊界的優化問題中,採用乘性規則來直接求取Lagrange乘子,而不是用傳統的二次優化方法.該文所穫得的學習算法和支持嚮量機(SVM)與序列最小優化(SMO)算法相比,不僅降低瞭樣本的採集代價,而且在優化速度上有瞭很大提高.通過CBCL人臉庫的倣真實驗,將該算法和SVM、SOM算法的實驗結果進行對比,說明瞭該學習算法的有效性.
해문제출료일충기우지지향량역묘술(SVDD)적학습분류기.재량류양본분류중,해산법재훈련시통과대1류양본적묘술구취포함1류양본적구형변계,연후통과해변계대량류양본수거진행분류,병차재구취변계적우화문제중,채용승성규칙래직접구취Lagrange승자,이불시용전통적이차우화방법.해문소획득적학습산법화지지향량궤(SVM)여서렬최소우화(SMO)산법상비,불부강저료양본적채집대개,이차재우화속도상유료흔대제고.통과CBCL인검고적방진실험,장해산법화SVM、SOM산법적실험결과진행대비,설명료해학습산법적유효성.