核向量机与支持向量机相结合的二阶段快速学习方法

• 作者: 蒲骏逸 雷秀仁
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 支持向量机 分类 大规模数据集 核向量机 最小包围球
• 年，卷（期）: 2012,（2）
• 所属期刊栏目: 人工智能
• 页码范围: 419-424
• 分类号: TP181
• 字数: 5875字
• 语种: 中文
• DOI: 10.3724/SP.J.1087.2012.00419

摘要

支持向量机(SVM)作为一种有效的模式分类方法,当数据集规模较大时,学习时间长、泛化能力下降；而核向量机(CVM)分类算法的时间复杂度与样本规模无关,但随着支持向量的增加,CVM的学习时间会快速增长.针对以上问题,提出一种CVM与SVM相结合的二阶段快速学习算法(CCS),首先使用CVM初步训练样本,基于最小包围球(MEB)筛选出潜在核向量,构建新的最有可能影响问题解的训练样本,以此降低样本规模,并使用标记方法快速提取新样本；然后对得到的新训练样本使用SVM进行训练.通过在6个数据集上与SVM和CVM进行比较,实验结果表明,CCS在保持分类精度的同时训练时间平均减少了30％以上,是一种有效的大规模分类学习算法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	雷秀仁	华南理工大学理学院	10	118	4.0	10.0
2	蒲骏逸	华南理工大学理学院	1	0	0.0	0.0