一种基于全局代表点的快速最小二乘支持向量机稀疏化算法
非稀疏性是最小二乘支持向量机(Least squares support vector machine, LS-SVM)的主要不足,因此稀疏化是LS-SVM研究的重要内容。在目前LS-SVM稀疏化研究中,多数算法采用的是基于迭代选择的稀疏化策略,但是时间复杂度和稀疏化效果还不够理想。为了进一步改进LS-SVM 稀疏化方法的性能,文中提出了一种基于全局代表点选择的快速LS-SVM稀疏化算法(Global-representation-based sparse least squares support vector machine, GRS-LSSVM)。在综合考虑数据局部密度和全局离散度的基础上,给出了数据全局代表性指标来评估每个数据的全局代表性。利用该指标,在全部数据中,一次性地选择出其中最具有全局代表性的数据并构成稀疏化后的支持向量集,然后在此基础上求解决策超平面,是该算法的基本思路。该算法对LS-SVM 的非迭代稀疏化研究进行了有益的探索。通过与传统的迭代稀疏化方法进行比较,实验表明GRS-LSSVM具有稀疏度高、稳定性好、计算复杂度低的优点。
最小二乘支持向量机、稀疏化、全局代表点、局部密度、全局离散度
43
TP1;O21
国家自然科学基金71531012,71271211;北京市自然科学基金4132067;中国人民大学品牌计划10XNI029;京东商城电子商务研究项目413313012资助Supported by National Natural Science Foundation of China71531012,71271211;Natural Science Foundation of Beijing4132067;Brand Project of Renmin University10XNI029;E-commerce Research Project of Jingdong Mall413313012
2017-03-09（万方平台首次上网日期，不代表论文的发表时间）
共10页
132-141
