K-means聚类与SVDD结合的新的分类算法

• 作者: 刘艳红 史习云 薛安荣
• 来源期刊: 计算机应用研究
• 关键词: 单值分类 支持向量数据描述 K-means聚类 局部疏密度
• 年，卷（期）: 2010,（3）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 883-886
• 页数: 4页
• 分类号: TP311
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3695.2010.03.020

摘要

为了提高支持向量数据描述(SVDD)的分类精度,引入局部疏密度提出了改进的SVDD算法.该算法提高了分类精度,但增加了计算复杂度.为此,先用K-means聚类将整个数据集划分为k个簇,再用改进的SVDD算法并行训练k个簇,最后再对获得的k个局部支持向量集训练,即得到最终的全局决策边界.由于采用了分而治之并行计算的方法,提高了算法的效率.对合成数据(200个)和实际数据的实验结果表明,所提算法较SVDD算法,训练时间降低为原来的10%,分类错误率较原来的降低了近一半.因此,所提算法提高了分类精度和算法效率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	薛安荣	江苏大学计算机科学与通信工程学院	45	665	13.0	25.0
2	史习云	江苏大学计算机科学与通信工程学院	2	35	2.0	2.0
3	刘艳红	江苏大学计算机科学与通信工程学院	2	35	2.0	2.0