增量支持向量机核函数的优化
作者:
作者单位:

作者简介:

通讯作者:

中图分类号:

基金项目:


Optimization of Kernel Function in Incremental Support Vector Machine
Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    支持向量机的核函数类型分为两类:局部核函数和全局核函数.局部核函数的值只受到相距很近数据点的影响,有很好的学习能力.全局核函数的值会受到距离较远数据点的影响,有很好的推广泛化能力.针对局部核函数学习能力良好但泛化能力差的缺点,提出一种结合局部核函数和全局核函数构造新联合函数的方法.实验结果表明,与局部核函数和全局核函数相比,新联合核函数有更好的预测能力,并且能够适应增量学习的过程.

    Abstract:

    The Kernel function to support vector machines can be divided into two types: the local kernel function and the global kernel function. Because the local kernel function has excellent learning ability, but its generalization ability is limited, we structure a joint kernel function with two kinds of functions, so that it can combine the advantages of the two kinds of kernel functions. The experiment proves that the joint kernel function can adapt to the incremental learning process and it has better performance.

    参考文献
    相似文献
    引证文献
引用本文

李村合,马敏敏.增量支持向量机核函数的优化.计算机系统应用,2017,26(8):284-287

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2016-12-02
  • 最后修改日期:
  • 录用日期:
  • 在线发布日期: 2017-10-31
  • 出版日期:
文章二维码
您是第位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京海淀区中关村南四街4号 中科院软件园区 7号楼305房间,邮政编码:100190
电话:010-62661041 传真: Email:csa (a) iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号