面向大规模噪声数据的软性核凸包支持向量机

• 作者: 倪彤光 姜志彬 王士同 顾晓清
• 来源期刊: 电子学报
• 学科: 工学
• 关键词: 大规模数据 噪声 软性核凸包 pinball损失函数 分类
• 年，卷（期）: 2018,（2）
• 所属期刊栏目: 学术论文
• 页码范围: 347-357
• 页数: 11页
• 分类号: TP391.4
• 字数: 8492字
• 语种: 中文
• DOI: 10.3969/j.issn.0372-2112.2018.02.013

摘要

现有的面向大规模数据分类的支持向量机(support vector machine,SVM)对噪声样本敏感,针对这一问题,通过定义软性核凸包和引入pinball损失函数,提出了一种新的软性核凸包支持向量机(soft kernel convex hull sup-port vector machine for large scale noisy datasets,SCH-SVM).SCH-SVM首先定义了软性核凸包的概念,然后选择出能代表样本在核空间几何轮廓的软性核凸包向量,再将其对应的原始空间样本作为训练样本并基于pinball损失函数来寻找两类软性核凸包之间的最大分位数距离.相关理论和实验结果亦证明了所提分类器在训练时间,抗噪能力和支持向量数上的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王士同	江南大学数字媒体学院	528	3424	23.0	37.0
2	顾晓清	江南大学数字媒体学院	9	39	4.0	5.0
4	倪彤光	常州大学信息科学与工程学院	19	88	4.0	8.0
7	姜志彬	江南大学数字媒体学院	2	4	1.0	2.0