摘要
不变性常识与支持向量机的融合技术是近年来支持向量机研究的重点之一,将不变性常识融合于学习模型,有助于提高模型的泛化能力。提出了一种新的不变性常识与支持向量机的融合方法,该方法通过最佳逼近点来代表不变性变换形成的轨迹簇将不变性常识融合于SVM。将该方法应用于MNIST手写数字数据库,与经典SVM方法及Virtual SV(VSV)方法的对比实验结果表明,该方法可以提高SVM的泛化能力。
The incorporating method of invariance and support vector machine (SVM) is an important focus for SVM researches in recent years, and it can help to improve the generalization performance of SVM efficiently, A new incorporating approach is presented, which represents the trajectory manifold ofinvariance transformation by the best approximate point. Compared with the traditional SVM and the Virtual SV based on MNIST handwritten digit database, the presented approach greatly improve the generalization performance of SVM.
出处
《计算机工程与设计》
CSCD
北大核心
2008年第4期901-903,共3页
Computer Engineering and Design
基金
国家自然科学基金项目(60673095、70471003)
山西省青年科学基金项目(20041014)
山西省归国留学基金项目(2003-04)
关键词
支持向量机
不变性常识
最佳逼近点
融合方法
support vector machine
invariance
best approximate point
incorporating method