一种基于拟牛顿法的大类别分类算法

支持向量机利用接近边界的少数向量来构造一个最优分类面.然而当两类中的样本数量差别悬殊时,PSVM算法则会过度拟合样本量大的那一类,而对样本量很小的那一类的错分率相当高.为解决此问题,本文提出了一种改进的支持向量机算法——DFP-PSVM算法.同时,这个问题也是大类别分类问题所采用的留一法面临的问题,在DFP-PSVM的基础上,提出了基于拟牛顿法的大类别分类算法.通过仿真实验证实了此算法在精度上优于PSVM算法.

支持向量机在大类别数分类中的应用

研究支持向量机在大类别数分类中的应用 .结合二叉决策树的基本思想提出一种基于支持向量机 ( support vector machine,SVM)的大类别数分类解决方法 ,即 SVM决策树方法 .对不同背景下可选用的 SVM决策树的结构进行了讨论 ,分析了 SVM决策树的特点 ,并对其识别错误率进行数学分析 .结果表明该方法可降低平均分类错误率 。

利用支持向量机识别汽车颜色

大类别数分类时支持向量机 (SVM)数量较多 ,文中通过类别合并和特征空间分解 ,结合决策树判别方法 ,对SVM数量进行优化 ,提出了一种基于优化SVM的汽车颜色识别方法 该方法与最近邻分类方法相比 ,无论是在速度上还是识别正确率上都得到了提高 实验结果表明 ,该方法是一种快速且正确率较高的多类别分类方法 。