基于NSVM的核空间训练数据减少方法

摘要：

针对核空间中大数据集的计算代价高问题，提出用NSVM方法减少分类器的训练数据。先用NSVM、核主成分分析(KPCA)和贪婪KPCA分别从全部训练数据中提取训练分类器的子集；再用子集训练分类器，并用训练和测试数据的错分率对分类结果进行评价。在两个数据集和两种分类器中，用KPCA提取的子集训练的分类器的分类性能弱于NSVM和贪婪KPCA，但用贪婪KPCA提取的子集训练的分类器的泛化能力弱于NSVM。仿真结果表明，用NSVM方法提取的子集训练的分类器，不仅保证了分类器的泛化能力，也降低了分类算法的计算复杂度。

关键词：分类器、贪婪核主成分分析、核主成分分析、非线性支持向量机、支持向量、训练数据

分类号：TP391(计算技术、计算机技术)

资助基金：四川省教育厅重点项目11ZA124；人工智能四川省重点实验室开放基金2011RYJ02

在线出版日期：2013-09-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：592-596