信息技术
信息技術
신식기술
INFORMATION TECHNOLOGY
2014年
10期
30-34
,共5页
许友权%吴陈%杨习贝%汤莹
許友權%吳陳%楊習貝%湯瑩
허우권%오진%양습패%탕형
核模糊聚类%支持向量机%样本选择%子空间%模糊熵
覈模糊聚類%支持嚮量機%樣本選擇%子空間%模糊熵
핵모호취류%지지향량궤%양본선택%자공간%모호적
fuzzy kernel clustering%support vector machine%samples selection%subspace%fuzzy entropy
针对训练样本中包含边界样本数量的多少对支持向量机分类的精度起主要作用,提出基于核模糊C均值算法(KFCM)先对样本集进行聚类,然后利用得到的模糊隶属度矩阵计算样本的模糊熵,通过设定阈值进行子空间样本的选择,最后将得到的子空间样本作为支持向量机(SVM)的训练样本.实验结果证实,由于应用了KFCM方法克服了一些传统样本选择方法在不知道样本类别的情况下,其无法较准确地对任意形状的簇的子空间样本进行选择,同时该方法保留了典型样本,减少了训练样本的数量,从而保证了分类器的性能和较高的训练效率.通过实验比较,该方法在选取子空间样本的性能上比传统的方法要好.
針對訓練樣本中包含邊界樣本數量的多少對支持嚮量機分類的精度起主要作用,提齣基于覈模糊C均值算法(KFCM)先對樣本集進行聚類,然後利用得到的模糊隸屬度矩陣計算樣本的模糊熵,通過設定閾值進行子空間樣本的選擇,最後將得到的子空間樣本作為支持嚮量機(SVM)的訓練樣本.實驗結果證實,由于應用瞭KFCM方法剋服瞭一些傳統樣本選擇方法在不知道樣本類彆的情況下,其無法較準確地對任意形狀的簇的子空間樣本進行選擇,同時該方法保留瞭典型樣本,減少瞭訓練樣本的數量,從而保證瞭分類器的性能和較高的訓練效率.通過實驗比較,該方法在選取子空間樣本的性能上比傳統的方法要好.
침대훈련양본중포함변계양본수량적다소대지지향량궤분류적정도기주요작용,제출기우핵모호C균치산법(KFCM)선대양본집진행취류,연후이용득도적모호대속도구진계산양본적모호적,통과설정역치진행자공간양본적선택,최후장득도적자공간양본작위지지향량궤(SVM)적훈련양본.실험결과증실,유우응용료KFCM방법극복료일사전통양본선택방법재불지도양본유별적정황하,기무법교준학지대임의형상적족적자공간양본진행선택,동시해방법보류료전형양본,감소료훈련양본적수량,종이보증료분류기적성능화교고적훈련효솔.통과실험비교,해방법재선취자공간양본적성능상비전통적방법요호.