基于遗传算法和Best-First图搜索的约减集求解算法

提出了两种新的约减算法 ,分别运用遗传算法和 Best-First搜索方法求约减集 .前者利用了遗传算法的寻优特性从种群中获得一个最优及一组次优个体 ,进而获得一组约减 ;后者采用Best-First搜索方法 ,相对于 A算法可扩大搜索空间 ,并可从 open表前部获得一最优及一组次优的状态节点 ,进而获得一组约减 .实验结果表明 。

一种约减支持向量域描述算法RSVDD

为加快支持向量域描述(SVDD)的训练速度,提出基于约减集的约简支持向量域描述算法RSVDD.由于描述边界仅由支持向量决定,且支持向量多分布在描述边缘附近,该算法采用每个样本到中心的距离作为支持向量的一种可能性度量,选取距离较大的部分样本作为约减集参与SVDD训练.人造数据和基准集数据上的仿真实验表明了RSVDD的有效性和优越性,保证了目标类和奇异值类的分类精度,缩减了训练规模和训练时间.

一种增量向量支持向量机学习算法

针对传统支持向量机方法执行效率低、耗时长的问题,该文提出一种基于增量向量支持向量机学习(IV-SVM)方法。对训练样本集在核空间的增量向量进行训练,获得初始支持向量机分类器。利用该分类器在Karush-Kuhn-Tucker(KKT)条件下对初始训练样本进行修剪得到约减集,再用该约减集对初始分类器进一步加工,得到最终的支持向量机分类器。仿真结果表明,与传统支持向量机方法相比,在保证支持向量机泛化能力的条件下,IV-SVM可有效降低大容量数据样本的支持向量机训练时间。