基于近邻传输的粒度SVM算法

摘要：

传统粒度支持向量机(GSVM)模型可以有效提高支持向量机(SVM)的学习效率,但因其对初始粒划参数比较敏感,粒中心的选取比较粗糙,会损失一定的泛化能力.提出一种基于近邻传输的粒度支持向量机学习算法(APG_SVM).首先在训练数据上采用近邻传输思想选取一组高质量的更具有代表性的粒中心加入到训练集,再根据粒中样本的混合度及粒中心到超平面的距离对训练集进行优化,生成最终训练集,然后进行训练,这样可使GSVM具有更好的泛化能力.在UCI标准数据集上的实验结果表明,与传统的粒度支持向量机相比,该算法分类效率有明显提高,在几个数据集上的正确率相对稳定,获得了较好的分类性能.

关键词：粒中心、近邻传输、混合度、分类性能

所属期刊栏目：14

分类号：TP181(自动化基础理论)

资助基金：The National Natural Science Foundation of China under Grant Nos. 61673249, U1805263 国家自然科学基金;the Research Project Supported by Shanxi Scholarship Council under Grant No. 2016-004 山西省回国留学人员科研基金项目;the CERNET Innovation Project under Grant No. NGII20170601 赛尔网络下一代互联网技术创新项目

在线出版日期：2020-07-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1194-1199