超平面支持向量机简化性能分析

程辉; 方景龙; 王大全; 王兴起

doi:10.11959/j.issn.1000-0801.2015161

您当前的位置：

首页 >

文章列表页 >

超平面支持向量机简化性能分析

研究与开发 | 更新时间：2024-06-05

- 超平面支持向量机简化性能分析
- Performance Analysis of Simplification of Hyperplane Support Vector Machine
- 电信科学 2015年31卷第8期页码：78-83
- 作者机构：
  
  1. 杭州电子科技大学复杂系统建模与仿真教育部重点实验室杭州 310018
  2. 杭州电子科技大学信息工程学院杭州 310018
- 作者简介：
  
  [ "程辉，男，杭州电子科技大学硕士生，主要研究方向为机器学习。" ]
  [ "方景龙，男，博士，杭州电子科技大学研究员、博士生导师，主要研究方向为机器学习、软件工程。" ]
  [ "王大全，男，杭州电子科技大学信息工程学院讲师，主要研究方向为嵌入式系统、智能识别。" ]
  [ "王兴起，男，博士，杭州电子科技大学副教授，主要研究方向为数据挖掘、软件测试。" ]
- 基金信息：
  
  国防基础科研计划基金资助项目;Defense Basic Research Program(JCKY2013415C001);国防技术基础科研计划基金资助项目;Defense Technical Basic Research Program(JSZL2014415B002);武器装备预研基金资助项目;Weapon Equipment Advance Research Program(9140A15040214DZ04221)
- DOI：10.11959/j.issn.1000-0801.2015161
  中图分类号：
- 网络出版日期：2015-08，
  
  纸质出版日期：2015-08-20
- 稿件说明：
移动端阅览
程辉, 方景龙, 王大全, 等. 超平面支持向量机简化性能分析[J]. 电信科学, 2015,31(8):78-83.

Hui Cheng, Jinglong Fang, Daquan Wang, et al. Performance Analysis of Simplification of Hyperplane Support Vector Machine[J]. Telecommunications science, 2015, 31(8): 78-83.
程辉, 方景龙, 王大全, 等. 超平面支持向量机简化性能分析[J]. 电信科学, 2015,31(8):78-83. DOI： 10.11959/j.issn.1000-0801.2015161.

Hui Cheng, Jinglong Fang, Daquan Wang, et al. Performance Analysis of Simplification of Hyperplane Support Vector Machine[J]. Telecommunications science, 2015, 31(8): 78-83. DOI： 10.11959/j.issn.1000-0801.2015161.

摘要

与传统支持向量机相比，针对复杂分类问题的超平面支持向量机和针对高噪声数据回归问题的回归型超平面支持向量机，具有支持向量少、测试速度快、计算精度高的优点。然而对不同的样本集，超平面支持向量机的简化效果有所不同，仔细分析了这一现象的原因，得出在支持向量中非约束支持向量所占比率越低则超平面支持向量机简化效果越明显的结论。

Abstract

Comparing with traditional support vector machine，hyperplane support vector machine （HPSVM）and hyperplane support vector machine for regression（HPSVMR）not only reduce the number of support vectors and calculation time but also have comparable accuracy.However，they have different simplification effect on different problems.The reasons for this phenomenon were analyzed，the conclusion that the lower the percentage of non-bound support vectors is，the more obvious the effect of simplification was pointed out.

关键词

Keywords

references

Burges C J C . Simplified support vector decision rule . Proceedings of the 13th International Conference on Machine Learning ， San Mateo，CA，USA ， 1996 ： 71 ～ 77

Lin M K ， Lin J C . A study on reduced support vector machines . IEEE Transactions on Neural Networks ， 2003 ， 14 （ 6 ）： 1449 ～ 1459

Shieh L H ， Kuo C C . A reduced data set method for support vector regression . Expert Systems with Applications ， 2010 ， 37 （ 12 ）： 7781 ～ 7787

Lin H J ， Yeh J P . Optimal reduction of solutions for support vector machines . Applied Mathematics and Computation ， 2009 ， 214 （ 2 ）： 329 ～ 335

Geebelen D ， Suykens J A K ， Vandewalle J . Reducing the number of support vectors of SVM classifiers using the smoothed separable case approximation . IEEE Transactions on Neural Networks and Learning Systems ， 2012 ， 23 （ 4 ）： 682 ～ 688

Liang X ， Ma Y ， He Y ， et al . Fast pruning superfluous support vectors in SVMs . Pattern Recognition Letters ， 2013 ， 34 （ 10 ）： 1203 ～ 1209

Severyn A ， Moschitti A . Fast support vector machines for convolution tree kernels . Data Mining and Knowledge Discovery ， 2012 ， 25 （ 2 ）： 325 ～ 357

方景龙，陈铄，潘志庚等 . 复杂分类问题支持向量机的简化 . 电子学报， 2007 ， 35 （ 5 ）： 858 ～ 861

Fang J L ， Chen S ， Pan Z G ， et al . A simplification to support vector machine for complicated recognition problem . Acta Electronica Sinica ， 2007 ， 35 （ 5 ）： 858 ～ 861

Fang J L ， Chen S ， Liang X W ， et al . An improved model of support vector machine for high noise data regression problem . Proceedings of the IET China Ireland International Conference on Information and Communications Technologies ， Dublin，Ireland ， 2007

Sch02lkopf B ， Burges C J C ， Smola A J . Advances in Kernel Methods：Support Vector Learning . Cambridge ： MIT Press , 1998

Lee M ， Keerthi S ， Ong C ， et al . An efficient method for computing leave-one-out error in support vector machines with Gaussian kernels . IEEE Transactions on Neural Networks ， 2004 ， 15 （ 3 ）： 750 ～ 757

全勇，杨杰，姚莉秀等 . 基于连续过松弛方法的支持向量回归算法 . 软件学报， 2004 ， 15 （ 2 ）： 200 ～ 206

Quan Y ， Yang J ， Yao X L ， et al . Successive over relaxation for support vector regression . Journal of Software ， 2004 ， 15 （ 2 ）： 200 ～ 206

浏览量

669

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

步态识别现状及发展趋势

基于门限判断DF协议的多无人机中继传输中断性能分析

随机访问网络后退避机制的性能分析

基于M/M/1的无线mesh网络网关分析模型

面向客户感知主动优化的异常小区分析方法研究