检索结果-内蒙古大学图书馆

作者：潘世超山西大学

学位级别：硕士

支持向量机(Support Vector Machine, SVM)是一种基于统计学习理论的通用有效的机器学习方法,鉴于其坚实的理论基础和良好的泛化性能,已被广泛应用到很多领域。但是由于其本质上求解的是凸二次规划问题,需要进行大规模的矩阵运算,因此... 详细信息

支持向量机(Support Vector Machine, SVM)是一种基于统计学习理论的通用有效的机器学习方法,鉴于其坚实的理论基础和良好的泛化性能,已被广泛应用到很多领域。但是由于其本质上求解的是凸二次规划问题,需要进行大规模的矩阵运算,因此只适用于小规模数据。当数据规模较大时,矩阵的运算会非常繁琐,学习的效率也会变低。增量学习方法通过每次加入一个或者一批增量样本进行训练,将大规模问题分解成一系列子问题。本文采用增量学习技术,针对训练样本是否有标记,提出两种增量支持向量机(Incremental Support Vector Machine, ISVM)学习模型,以有效提高SVM处理大规模数据的性能。本文的研究工作主要包括以下两个方面：(1)针对有标记样本的增量学习过程进行研究。在该过程中,增量样本选择不当,可能会降低模型的学习能力和泛化性能。但目前选择增量样本的算法或者是随机选择,或者选择的方法过于复杂。针对该问题,本文提出了基于概率密度分布的pisvm模型。该模型通过使用概率密度分布选择含有较多重要分类信息(有可能成为支持向量)的增量样本,且当其预测值与真实值不一致时,才将其加入训练集进行训练,以加快模型的收敛的速度。在标准数据集UCI上的实验结果表明pisvm模型在保持其泛化能力的同时能进一步提高学习效率。(2)对部分有标记的组合半监督支持向量机学习问题进行研究。组合半监督支持向量机需要在无标记样本的所有标记组合中寻找最优的那组作为其最终的标记。而该方法存在一个较大的问题：计算复杂度过高。针对该问题,本文将增量学习方法引入其中,提出了基于增量学习方法的半监督支持向量机模型IS3VM。该模型通过将大量的无标记样本分批进行组合标记来降低算法的计算复杂度。每次选择位于分类间隔内部的样本进行标记,并将使分类间隔最大的那组标记作为其最终标记,以确保标记的准确性;然后将其加入训练集进行训练,以此来修正模型。从而在保证模型精度的同时,降低模型的计算复杂度。本文提出了两种模型pisvm和IS3VM,不仅对ISVM模型本身增量样本的选择方法进行了改进,提高了学习效率;同时扩展了ISVM在半监督学习领域的应用。本文的研究成果对SVM的应用研究具有一定的意义。

关键词：增量支持向量机 pisvm模型组合半监督支持向量机 IS3VM模型

来源：评论

学校读者我要写书评

暂无评论

基于概率密度分布的增量支持向量机算法

引用

南京大学学报（自然科学版） 2013年第5期49卷 603-610页

作者：潘世超王文剑郭虎升山西大学计算机与信息技术学院太原030006 山西大学计算智能与中文信息处理教育部重点实验室太原030006

增量支持向量机(Incremental Support Vector Machine,ISVM)模型通过每次加入一个或者一批样本进行学习,将大规模问题分解成一系列子问题,以提高支持向量机(Support Vector Machine,SVM)处理大规模数据的学习效率,但传统ISVM(Traditiona... 详细信息

增量支持向量机(Incremental Support Vector Machine,ISVM)模型通过每次加入一个或者一批样本进行学习,将大规模问题分解成一系列子问题,以提高支持向量机(Support Vector Machine,SVM)处理大规模数据的学习效率,但传统ISVM(Traditional ISVM,TISVM)模型中增量样本的选择方法不当可能降低其效率和泛化能力.针对ISVM中增量样本的选择问题,提出了一种基于概率密度分布的ISVM算法,称为pisvm,该方法通过概率密度分布选择含有较多重要分类信息(有可能成为支持向量)的增量样本进行训练,使得分类器能够以最快的速度收敛到最优.在标准数据集UCI上的实验结果表明pisvm模型可以在保持其泛化能力的同时进一步提高学习效率.

关键词：支持向量机 pisvm模型增量样本选择概率密度分布

来源：评论

学校读者我要写书评

暂无评论

基于概率密度估计的增量支持向量机算法

基于概率密度估计的增量支持向量机算法

引用

第十三届中国Rough集与软计算学术会议、第七届中国Web智能学术研讨会、第七届中国粒计算学术研讨会联合学术会议

作者：潘世超王文剑郭虎升山西大学计算机与信息技术学院太原 030006 山西大学计算机与信息技术学院太原 030006 山西大学计算智能与中文信息处理教育部重点实验室太原 030006

增量支持向量机(Incremental Support Vector Machine,ISVM)模型通过每次加入一个或者一批样本进行学习,将大规模问题分解成一系列子问题,以提高支持向量机(Support Vector Machine,SVM)处理大规模数据的学习效率,但传统ISVM (Tradition... 详细信息

增量支持向量机(Incremental Support Vector Machine,ISVM)模型通过每次加入一个或者一批样本进行学习,将大规模问题分解成一系列子问题,以提高支持向量机(Support Vector Machine,SVM)处理大规模数据的学习效率,但传统ISVM (Traditional ISVM,TISVM)模型中增量样本的选择方法不当可能降低其效率和泛化能力。针对ISVM中增量样本的选择问题,提出了一种基于概率密度分布的ISVM算法,称为pisvm,该方法通过概率密度分布选择含有较多重要分类信息(有可能成为支持向量)的增量样本进行训练,使得分类器能够以最快的速度收敛到最优。在标准数据集UCI上的实验结果表明pisvm模型可以在保持其泛化能力的同时进一步提高学习效率。

关键词：支持向量机 pisvm模型增量样本选择概率密度分布

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：