基于最小流形类内离散度的支持向量机

尽管经典分类方法支持向量机SVM在各领域广泛应用，但其在分类决策时仅关注类间间隔而忽视类内分布，因而分类能力有限。鉴于此，Zafeiriou等人提出最小类方差支持向量机MCVSVM，该方法建立在支持向量机和线性判别分析的基础上，在进行分类决策时同时考虑各类的边界信息和分布特征，因而较之SVM具有更优的泛化能力。但上述两种方法均忽略了样本的局部特征。基于上述分析，在流形判别分析的基础上提出基于最小流形类内离散度的支持向量机SVM-M^2WCS。该方法在建立最优分类面时，不仅考虑各类的边界信息和分布特征，而且还保持了各类的局部流形结构。经理论分析可得该方法在一定条件下与SVM和MCVSVM等价，这...

Full description

Saved in:
Bibliographic Details
Published in计算机应用研究 Vol. 32; no. 9; pp. 2639 - 2642
Main Author 高艳云 庞敏
Format Journal Article
LanguageChinese
Published 河南信息统计学院 人事处,郑州,450008%中北大学 计算机与控制工程学院,太原,030051 2015
Subjects
分布特征
局部信息
支持向量机
流形判别分析
边界信息
支持向量机
support vector machine
distribution characteristics
边界信息
流形判别分析
local information
分布特征
局部信息
manifold-based discriminant analysis(MDA)
boundary information
Online AccessGet full text

Cover

More Information
Summary:尽管经典分类方法支持向量机SVM在各领域广泛应用，但其在分类决策时仅关注类间间隔而忽视类内分布，因而分类能力有限。鉴于此，Zafeiriou等人提出最小类方差支持向量机MCVSVM，该方法建立在支持向量机和线性判别分析的基础上，在进行分类决策时同时考虑各类的边界信息和分布特征，因而较之SVM具有更优的泛化能力。但上述两种方法均忽略了样本的局部特征。基于上述分析，在流形判别分析的基础上提出基于最小流形类内离散度的支持向量机SVM-M^2WCS。该方法在建立最优分类面时，不仅考虑各类的边界信息和分布特征，而且还保持了各类的局部流形结构。经理论分析可得该方法在一定条件下与SVM和MCVSVM等价，这表明SVM-M^2WCS较之SVM和MCVSVM具有更优的泛化能力。人工数据集及标准数据集上的比较实验表明SVM-M^2WCS的有效性。
Bibliography:support vector machine ; manifold-based discriminant analysis （MDA） ; distribution characteristics ; boundary information; local information
51-1196/TP
Gao Yanyun , Pang Min （ 1. Dept. of Human Resource, Henan Information ＆ Statistics Vocational College, Zhengzhou 450008, China ; 2. School of Computer ＆ Con- trol Engineering, North University of China, Taiyuan 030051, China）
Support vector machine （SVM） is one of the most popular classification methods and widely used in practice. But with the development of application,it encounters a problem which seriously limits the classification efficiency：it only focuses on the margin between classes, but ignores the class distributions. In order to solve the above problem, this paper proposed min- imum class variance support vector machine （ MCVSVM ） by Zafeiriou and considered boundary information and distribution characteristics and therefore its classification efficiency was much better than SVM. The local characteristics of each class was quite important but it was r
ISSN:1001-3695
DOI:10.3969/j.issn.1001-3695.2015.09.019