针对非平行支持向量机(NonParallel Support Vector Machine,NPSVM)对噪声敏感和忽略了数据分布结构的问题,提出了一种具有间隔分布的抗噪声非平行支持向量机(Anti-Noise NPSVM with Margin Distribution, MDANPSVM)分类模型.在MD-ANPSV...针对非平行支持向量机(NonParallel Support Vector Machine,NPSVM)对噪声敏感和忽略了数据分布结构的问题,提出了一种具有间隔分布的抗噪声非平行支持向量机(Anti-Noise NPSVM with Margin Distribution, MDANPSVM)分类模型.在MD-ANPSVM模型中,每个优化问题同时最小化两类样本的基于L1范数的绝对损失和改进的铰链损失,这可以保证模型的稳定性,减小噪声和异常值的影响.此外,在MD-ANPSVM模型中,采用一阶和二阶统计量来描述训练数据的间隔分布信息,并试图同时最大化间隔均值和最小化间隔方差,这进一步提高了模型的泛化性能.最终,我们在不同的数据集上进行了对比实验.实验结果显示,MD-ANPSVM模型具有较强的泛化能力和强鲁棒性.展开更多
针对人脸识别问题,文中提出了一种稀疏孪生支持向量机(STSVM)模型。在TSVM算法的基础上,通过结合样本的局部密度和全局离散度构造STSVM,并利用局部密度和全局离散度对样本进行删减,实现了TSVM的稀疏化。此外,局部密度的引入使得STSVM对...针对人脸识别问题,文中提出了一种稀疏孪生支持向量机(STSVM)模型。在TSVM算法的基础上,通过结合样本的局部密度和全局离散度构造STSVM,并利用局部密度和全局离散度对样本进行删减,实现了TSVM的稀疏化。此外,局部密度的引入使得STSVM对噪声不敏感。另一方面,将STSVM算法与“1 vs rest”方法相结合,解决了人脸检测的多类检测问题。最后,在ORL人脸数据集上对文中提出的算法进行验证。实验结果表明,文中提出的STSVM适用于人脸识别,且取得了令人满意的识别率。展开更多
文摘针对非平行支持向量机(NonParallel Support Vector Machine,NPSVM)对噪声敏感和忽略了数据分布结构的问题,提出了一种具有间隔分布的抗噪声非平行支持向量机(Anti-Noise NPSVM with Margin Distribution, MDANPSVM)分类模型.在MD-ANPSVM模型中,每个优化问题同时最小化两类样本的基于L1范数的绝对损失和改进的铰链损失,这可以保证模型的稳定性,减小噪声和异常值的影响.此外,在MD-ANPSVM模型中,采用一阶和二阶统计量来描述训练数据的间隔分布信息,并试图同时最大化间隔均值和最小化间隔方差,这进一步提高了模型的泛化性能.最终,我们在不同的数据集上进行了对比实验.实验结果显示,MD-ANPSVM模型具有较强的泛化能力和强鲁棒性.
文摘针对人脸识别问题,文中提出了一种稀疏孪生支持向量机(STSVM)模型。在TSVM算法的基础上,通过结合样本的局部密度和全局离散度构造STSVM,并利用局部密度和全局离散度对样本进行删减,实现了TSVM的稀疏化。此外,局部密度的引入使得STSVM对噪声不敏感。另一方面,将STSVM算法与“1 vs rest”方法相结合,解决了人脸检测的多类检测问题。最后,在ORL人脸数据集上对文中提出的算法进行验证。实验结果表明,文中提出的STSVM适用于人脸识别,且取得了令人满意的识别率。
