高技术通讯
高技術通訊
고기술통신
HIGH TECHNOLOGY LETTERS
2014年
3期
236-243
,共8页
惩罚校正%支持向量网络%错误训练%稀疏样本%逆向训练
懲罰校正%支持嚮量網絡%錯誤訓練%稀疏樣本%逆嚮訓練
징벌교정%지지향량망락%착오훈련%희소양본%역향훈련
penalty regularization%support-vector network%mis-training%sparse sample%adverse training
针对支持向量学习网络(SVN)学习稀疏样本数据集时,稀疏目标和非稀疏目标的分类器错误率严重失衡而实用性大大降低的问题,在拉格朗日乘数渐近分析基础上,引入惩罚校正因子、逆向训练样本和错误训练率等概念,提出了惩罚校正支持向量网络学习算法和校正方法,并将该方法应用于以CT图像特征数据集为基础的小麦籽种品质定级.等值分析说明该学习算法能有效地等级化籽种特征数据,准确率达95％;和其他同源方法的对比试验显示:针对稀疏样本集,该算法在获得可观综合预测准确性的同时,能显著改善稀疏样本集各目标分类器的预测错误率的极性分布,并展现良好的学习性能.
針對支持嚮量學習網絡(SVN)學習稀疏樣本數據集時,稀疏目標和非稀疏目標的分類器錯誤率嚴重失衡而實用性大大降低的問題,在拉格朗日乘數漸近分析基礎上,引入懲罰校正因子、逆嚮訓練樣本和錯誤訓練率等概唸,提齣瞭懲罰校正支持嚮量網絡學習算法和校正方法,併將該方法應用于以CT圖像特徵數據集為基礎的小麥籽種品質定級.等值分析說明該學習算法能有效地等級化籽種特徵數據,準確率達95％;和其他同源方法的對比試驗顯示:針對稀疏樣本集,該算法在穫得可觀綜閤預測準確性的同時,能顯著改善稀疏樣本集各目標分類器的預測錯誤率的極性分佈,併展現良好的學習性能.
침대지지향량학습망락(SVN)학습희소양본수거집시,희소목표화비희소목표적분류기착오솔엄중실형이실용성대대강저적문제,재랍격랑일승수점근분석기출상,인입징벌교정인자、역향훈련양본화착오훈련솔등개념,제출료징벌교정지지향량망락학습산법화교정방법,병장해방법응용우이CT도상특정수거집위기출적소맥자충품질정급.등치분석설명해학습산법능유효지등급화자충특정수거,준학솔체95％;화기타동원방법적대비시험현시:침대희소양본집,해산법재획득가관종합예측준학성적동시,능현저개선희소양본집각목표분류기적예측착오솔적겁성분포,병전현량호적학습성능.
