K-means聚类与SVDD结合的新的分类算法

摘要：

为了提高支持向量数据描述(SVDD)的分类精度,引入局部疏密度提出了改进的SVDD算法.该算法提高了分类精度,但增加了计算复杂度.为此,先用K-means聚类将整个数据集划分为k个簇,再用改进的SVDD算法并行训练k个簇,最后再对获得的k个局部支持向量集训练,即得到最终的全局决策边界.由于采用了分而治之并行计算的方法,提高了算法的效率.对合成数据(200个)和实际数据的实验结果表明,所提算法较SVDD算法,训练时间降低为原来的10%,分类错误率较原来的降低了近一半.因此,所提算法提高了分类精度和算法效率.

关键词：单值分类、支持向量数据描述、K-means聚类、局部疏密度

所属期刊栏目：27

分类号：TP311(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目60773049;江苏大学高级人才启动基金资助项目09JDG041

在线出版日期：2010-05-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：883-886