基于流形模糊双支持向量机的恒星光谱分类方法

支持向量机(support vector machine,SVM)具有良好的学习性能和泛化能力,因而被广泛应用于恒星光谱分类中。然而实际应用面临的数据规模往往很大,SVM便暴露出计算量大、分类速度慢等问题。为了解决上述问题,Jayadeva等提出双支持向量机(twin support vector machine,TWSVM),将计算时间减少至SVM的1/4。然后上述方法仅关注数据的全局特征,对每类数据的局部特征并未关注。鉴于此,提出基于流形模糊双支持向量机(manifold fuzzy twin support vector machine,MF-TSVM)的恒星光谱分类方法。利用流形判别分析获得数据的全局特征和局部特征,模糊隶属度函数的引入将各类数据区别对待,尽可能减少噪声点和奇异点对分类结果的影响。与C-SVM,KNN等传统分类方法在SDSS恒星光谱数据集上的比较实验表明了该方法的有效性。

基于最小流形类内离散度的支持向量机

尽管经典分类方法支持向量机SVM在各领域广泛应用,但其在分类决策时仅关注类间间隔而忽视类内分布,因而分类能力有限。鉴于此,Zafeiriou等人提出最小类方差支持向量机MCVSVM,该方法建立在支持向量机和线性判别分析的基础上,在进行分类决策时同时考虑各类的边界信息和分布特征,因而较之SVM具有更优的泛化能力。但上述两种方法均忽略了样本的局部特征。基于上述分析,在流形判别分析的基础上提出基于最小流形类内离散度的支持向量机SVM-M2WCS。该方法在建立最优分类面时,不仅考虑各类的边界信息和分布特征,而且还保持了各类的局部流形结构。经理论分析可得该方法在一定条件下与SVM和MCVSVM等价,这表明SVM-M2WCS较之SVM和MCVSVM具有更优的泛化能力。人工数据集及标准数据集上的比较实验表明SVM-M2WCS的有效性。