基于支持向量机的改进分类算法
作者:
基金项目:

国家质量监督检验检疫总局科技计划项目(2017IK172)


Improved Classification Algorithm Based on Support Vector Machine
Author:
  • 摘要
  • | |
  • 访问统计
  • |
  • 参考文献 [23]
  • |
  • 相似文献
  • |
  • 引证文献
  • | |
  • 文章评论
    摘要:

    为了进一步提高支持向量机分类的准确性和泛化能力,提出一种基于支持向量机的改进二叉树分类算法.首先介绍支持向量机的基本原理,总结了常见的多分类器分类算法及其特点,结合现有分类算法的优点,为分类器引入了不同的权值,提出二叉树改进分类算法,有效避免了常用分类算法不足.通过仿真实验,与典型的多类分类算法对比,验证该算法的有效性,为多类分类预测研究提供了一条有效的途径.

    Abstract:

    In order to improve the accuracy and generalization ability of Support Vector Machine (SVM) classification, this paper presents an improved binary tree classification algorithm based on SVM. It introduces basic principle of SVM, and summarizes multi-classifier classification algorithm and characteristics. Combining the advantages of the classification algorithms and introducing different weights for the classifier, this study proposes improved classification algorithm of the binary tree, which effectively avoids the shortage of common classification algorithms. Simulation experiments and comparison of the typical multi-class classification algorithms verify that the algorithm is effective. The algorithm provides an effective way for multi-class classification prediction research.

    参考文献
    [1] 刘方园,王水花,张煜东.支持向量机模型与应用综述.计算机系统应用, 2018, 27(4):1-9.[doi:10.15888/j.cnki.csa.006273
    [2] 刘雨康,张正阳,陈琳琳,等.基于KNN算法的改进的一对多SVM多分类器.计算机工程与应用, 2015, 51(24):126-131.[doi:10.3778/j.issn.1002-8331.1311-0448
    [3] 单玉刚,王宏,董爽.改进的一对一支持向量机多分类算法.计算机工程与设计, 2012, 33(5):1837-1841.[doi:10.3969/j.issn.1000-7024.2012.05.032
    [4] 牛犇,顾宏斌,孙瑾,等.有向无环图-双支持向量机的多类分类方法.计算机应用与软件, 2015, 32(11):167-170, 184.[doi:10.3969/j.issn.1000-386x.2015.11.039
    [5] 汪政,邵良彬.多类支持向量机分类算法-DDAG.计算机系统应用, 2010, 19(7):87-90.[doi:10.3969/j.issn.1003-3254.2010.07.020
    [6] 李荣雨程磊.基于SVM最优决策面的决策树构造.电子测量与仪器学报, 2016, 30(3):342-351
    [7] 闫晓静,于放,孙咏,等.支持向量机决策树在隐患预警模型中的应用.计算机系统应用, 2017, 26(2):212-216.[doi:10.15888/j.cnki.csa.005589
    [8] 龙军,王易,刘高嵩.基于二叉树多类支持向量机的文本分类研究.计算机系统应用, 2009, 18(5):65-68.[doi:10.3969/j.issn.1003-3254.2009.05.017
    [9] 陈柏志,石宇强,詹钧凯,等.改进二叉树支持向量机及其TE过程故障诊断.西南科技大学学报, 2018, 33(2):101-107.[doi:10.3969/j.issn.1671-8755.2018.02.018
    [10] 赵海洋,徐敏强,王金东.改进二叉树支持向量机及其故障诊断方法研究.振动工程学报, 2013, 26(5):764-770.[doi:10.3969/j.issn.1004-4523.2013.05.016
    [11] 权文,王晓丹.基于改进FCM聚类的BT-SVM多类分类算法.微计算机信息, 2009, 25(2-3):230-232
    [12] 冷强奎,刘福德,秦玉平.一种基于混合二叉树结构的多类支持向量机分类算法.计算机科学, 2018, 45(5):220-223, 237
    [13] 薛宁静.多类支持向量机分类器对比研究.计算机工程与设计, 2011, 32(5):1792-1795
    [14] 陈丹玲.基于小波包和支持向量机的旋转机械故障诊断方法研究[硕士学位论文].赣州:江西理工大学, 2010.
    [15] Cortes C, Vapnik V. Support-vector network. Machine Learning, 1995, 20(3):273-297
    [16] Platt JC. Probabilities for support vector machines and comparisons to regularized likelihood methods. http://research.microsofe.com/~jplatt,[2010-11-15].
    [17] 付静.面向旋转机械的支持向量机故障智能诊断方法及实验研究[硕士学位论文].赣州:江西理工大学, 2009.
    [18] 宋召青,陈垚.基于支持向量机的多类分类算法综述.海军航空工程学院学报, 2015, 30(5):442-446
    [19] Vapnik VN.统计学习理论的本质.张学工,译.北京:清华大学出版社, 2000.
    [20] Platt JC, Cristianini N, Shawe-Taylor JW. Large margin DAGs for multiclass classification. Advances in Neural Information Processing Systems, 2000:547-553
    [21] 房汉鸣,税爱社,汪辉,等.支持向量机动态多分类方法.后勤工程学院学报, 2017, 33(2):90-96.[doi:10.3969/j.issn.1672-7843.2017.02.015
    [22] 郭亚琴,王正群.一种改进的支持向量机多类分类方法.现代电子技术, 2009, 32(20):143-146.[doi:10.3969/j.issn.1004-373X.2009.20.046
    [23] ftp://ftp.ics.uci.edu/.
    相似文献
    引证文献
引用本文

李亦滔.基于支持向量机的改进分类算法.计算机系统应用,2019,28(10):145-151

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:2019-02-25
  • 最后修改日期:2019-03-14
  • 在线发布日期: 2019-10-15
  • 出版日期: 2019-10-15
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