基于支持向量机的并行学习方法研究

• 作者: 文益民 金潇明
• 来源期刊: 湖南大学学报（自然科学版）
• 关键词: 并行处理系统 学习系统 支持向量机 分类器组合
• 年，卷（期）: 2008,（7）
• 所属期刊栏目: 计算机科学
• 页码范围: 74-79
• 页数: 6页
• 分类号: TP391.4
• 语种: 中文

摘要

基于决策论中信息源合并规则,提出了基于支持向量机的并行学习方法(B-SVMs).在训练阶段,B-SVMs将一个大规模问题随机分解成若干规模较小的子问题,针对每个子问题同时训练支持向量机.在测试阶段,各个支持向量机并行给出测试结果,B-SVMs利用信息源合并规则将各支持向量机的输出组合而得到最终测试结果.在4个问题上与基于多数投票策略的组合支持向量机(MV-SVMs)和快速模块化支持向量机(FM-SVMs)相比,B-SVMs的泛化能力较高.与利用全部样本训练的标准支持向量机相比,B-SVMs极大地减少了训练时间和测试时间,而且具有与其相当的泛化能力.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	文益民	湖南大学电气与信息工程学院	10	80	4.0	8.0
2	金潇明	中南大学商学院	11	71	5.0	8.0