高斯核尺度空间中的采样算法研究

摘要：

将线性尺度空间的特征点扩展问题转化为多尺度数据集的同尺度内分类问题,该问题属于尺度不变的非平衡数据集分类问题.提出了一种基于尺度空间的核学习的采样算法来处理支持向量机(support vector machine,SVM)在非平衡数据集上的分类问题.其核心思想是首先在核空间中对少数类样本进行上采样,然后通过输入空间和核空间的距离关系寻找所合成样本在输入空间的原像,最后再采用SVM对其进行训练,从而有效克服了目前采样方法在不同空间处理训练样本所带来的数据不一致问题.该算法所采用的采样策略不仅能够降低数据失衡率,而且能够拓展少数类样本所形成的凸壳,从而更为有效地纠正最优分类超平面偏移问题.实验结果证明,所获得的结果分类器具有更好的泛化性能,能够在同尺度内有效扩展稳定特征点数量.

关键词：分类、高斯核、尺度空间、凸壳、非平衡数据集

所属期刊栏目：6

分类号：TP181(自动化基础理论)

资助基金：The National Natural Science Foundation of China under Grant No.61070151;the Natural Science Foundation of Fujian Province of China under Grant No.2010J01353

在线出版日期：2012-12-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：644-653