最小二乘支持向量机在对偶空间训练,而原空间优化的近似解优于对偶空间优化的近似解,为此构造原空间最小二乘支持向量机(primal least square support vector machine,PLS-SVM)。将等式约束纳入目标函数构造无约束优化模型,根据最优解...最小二乘支持向量机在对偶空间训练,而原空间优化的近似解优于对偶空间优化的近似解,为此构造原空间最小二乘支持向量机(primal least square support vector machine,PLS-SVM)。将等式约束纳入目标函数构造无约束优化模型,根据最优解条件导出线性系统。对核矩阵进行三角分解,将线性和非线性最小二乘支持向量机的训练归结为相同形式,利用共轭梯度法求解。对比SVM和LS-SVM的仿真结果表明,PLS-SVM具有最高的分类精度和最短的训练时间。展开更多
针对传统的粒度支持向量机(granular support vector machine,GSVM)将训练样本在原空间粒化后再映射到核空间,导致数据与原空间的分布不一致,从而降低GSVM的泛化能力的问题,本文提出了一种基于模糊核聚类粒化的粒度支持向量机学习算法(f...针对传统的粒度支持向量机(granular support vector machine,GSVM)将训练样本在原空间粒化后再映射到核空间,导致数据与原空间的分布不一致,从而降低GSVM的泛化能力的问题,本文提出了一种基于模糊核聚类粒化的粒度支持向量机学习算法(fuzzy kernel cluster granular support vector machine,FKC-GSVM)。FKC-GS-VM通过利用模糊核聚类直接在核空间对数据进行粒的划分和支持向量粒的选取,在相同的核空间中进行支持向量粒的GSVM训练。在UCI数据集和NDC大数据上的实验表明:与其他几个算法相比,FKC-GSVM在更短的时间内获得了精度更高的解。展开更多
文摘最小二乘支持向量机在对偶空间训练,而原空间优化的近似解优于对偶空间优化的近似解,为此构造原空间最小二乘支持向量机(primal least square support vector machine,PLS-SVM)。将等式约束纳入目标函数构造无约束优化模型,根据最优解条件导出线性系统。对核矩阵进行三角分解,将线性和非线性最小二乘支持向量机的训练归结为相同形式,利用共轭梯度法求解。对比SVM和LS-SVM的仿真结果表明,PLS-SVM具有最高的分类精度和最短的训练时间。
文摘针对传统的粒度支持向量机(granular support vector machine,GSVM)将训练样本在原空间粒化后再映射到核空间,导致数据与原空间的分布不一致,从而降低GSVM的泛化能力的问题,本文提出了一种基于模糊核聚类粒化的粒度支持向量机学习算法(fuzzy kernel cluster granular support vector machine,FKC-GSVM)。FKC-GS-VM通过利用模糊核聚类直接在核空间对数据进行粒的划分和支持向量粒的选取,在相同的核空间中进行支持向量粒的GSVM训练。在UCI数据集和NDC大数据上的实验表明:与其他几个算法相比,FKC-GSVM在更短的时间内获得了精度更高的解。