基于中心加权的局部核向量机算法

为了解决大规模非线性分类中局部学习的不平衡性问题,提出一种改进的局部支持向量机算法,在高维特征空间中聚类后,为每一个簇构造局部非线性支持向量机。为了克服簇内样本的分布不均衡问题,根据闭合超平面不规则边界的几何特点,经过梯度下降寻找稳定均衡向量,以此构造簇几何中心;再结合簇密度中心共同约束类心形成双重加权中心。然后通过求解加权最小闭球问题实现对大规模样本向量的分类。对照实验显示,除了个别数据集以外,改进的算法在训练时间、测试时间以及测试精度等方面都比另外两种分类算法表现更佳。

一种新的最大间隔分类器的求解算法及其在测井岩性识别中的应用

首先介绍了尺度不变凸壳的概念,提出当2个凸壳独立时,可以通过求解2个凸壳的最大间隔来建立一种新的分类器。然后通过论证尺度不变凸壳与最小闭球的关系,提出了利用最小闭球求解分类器的快速算法。通过对测井岩性识别的试验表明,与已有的方法相比,在取得相同分类成功率的同时,该算法的核估计次数和训练时间明显减少。