采用划分融合双向控制的粒度支持向量机

• 作者: 王文剑 赵帅群 郭虎升
• 来源期刊: 智能系统学报
• 学科: 工学
• 关键词: 支持向量机 粒度支持向量机 划分 融合 强信息粒 弱信息粒 动态机制 双向控制
• 年，卷（期）: 2019,（6）
• 页码范围: 1243-1254
• 页数: 12页
• 分类号: TP18
• 字数: 5459字
• 语种: 中文
• DOI: 10.11992/tis.201904047

摘要

粒度支持向量机(granular support vector machine,GSVM)引入粒计算的方式对原始数据集进行粒度划分以提高支持向量机(support vector machine,SVM)的学习效率.传统GSVM采用静态粒划分机制,即通过提取划分后数据簇中的代表信息进行模型训练,有效地提升了SVM的学习效率,但由于GSVM对信息无差别的粒度划分导致对距离超平面较近的强信息粒提取不足,距离超平面较远的弱信息粒被过多保留,影响了SVM的学习性能.针对这一问题,本文提出了采用划分融合双向控制的粒度支持向量机方法(division-fusion support vec-tor machine,DFSVM).该方法通过动态数据划分融合的方式,选取超平面附近的强信息粒进行深层次的划分,同时将距离超平面较远的弱信息粒进行选择性融合,以动态地保持训练样本规模的稳定性.通过实验表明,采用划分融合的方法能够在保证模型训练精度的条件下显著提升SVM的学习效率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王文剑	山西大学计算智能与中文信息处理重点实验室	97	798	14.0	23.0
2	郭虎升	山西大学计算机与信息技术学院	24	174	8.0	12.0
6	赵帅群	山西大学计算机与信息技术学院	1	0	0.0	0.0