双边界支持向量机的理论研究与分析

根据统计学习理论,间隔大小是反映泛化能力的一个很重要的方面.受一类支持向量机(SVM)的启发,提出的双边界SVM能分别用2个边界对2类问题分类.它能在保证分类正确的同时保证分类间隔的最大化,理论上分别从推广性能和不平衡类分布2方面证明了其优越性.标准数据集上的实验表明,双边界SVM得到的分类间隔要大于SVM,泛化性有了显著提高;另外,不平衡数据集上分析得到它对少数类识别率有明显提升.真实入侵数据测试结果表明,双边界SVM算法比边界样本选择算法的检测率高出2%以上.

基于边界支持向量的白细胞检出新方法

白细胞检出是血液显微图像白细胞自动识别系统中最基本和最关键的一个环节,其准确性和稳定性直接影响到整个系统的识别准确率。提出了一种基于边界支持向量的白细胞检出新方法。通过引入支持向量回归,在拟合直方图的同时得到稀疏的边界支持向量,再在这些有限的边界支持向量中直接筛选出所需阈值。该方法适用于彩色显微图像分割,能有效地克服光照、染色等客观因素的干扰,具有分割效果优、计算效率高、参数设置简便等优点,有利于后续特征抽取与分类计数。实验结果表明了本文方法的良好性能。

基于边界支持向量的自适应增量支持向量机

该文提出一种基于边界支持向量的自适应增量支持向量机,对每轮训练的样本集提取其边界支持向量,从而减少训练向量数目,提高训练效率.通过自适应调整参数,可以更好地适应新增样本.采用UCI(University of California Irvine)机器学习数据库和Statlog数据库对本文方法进行验证,实验结果表明本文方法的训练时间优于标准支持向量机和一般增量支持向量机.其分类精度也明显优于一般增量支持向量机,在训练数据较少时,其分类精度与标准支持向量机相差不大,但随着训练数据的增加,分类精度逐渐超越标准支持向量机.该文的方法更适合大规模数据集的增量学习.