一种改进的局部支持向量机算法

J4 ›› 2013, Vol. 35 ›› Issue (2): 91-95.

一种改进的局部支持向量机算法

朱莹莹1, 尹传环1, 牟少敏2

(1.北京交通大学计算机与信息技术学院,北京 100044;
2.山东农业大学信息科学与工程学院,山东泰安 271018)

收稿日期:2012-05-15 修回日期:2012-08-13 出版日期:2013-02-25 发布日期:2013-02-25
基金资助:
国家自然科学基金资助项目(61105056)；中央高校基本科研业务费专项资金；山东农业大学青年科技创新基资助金项目(200923647)；北京交通大学科技基金资助项目(2007RC066)

An improved algorithm of local support vector machine

ZHU Yingying1，YIN Chuanhuan1，MU Shaomin2

（1.School of Computer and Information Technology,Beijing Jiaotong University,Beijing 100044; 2.School of Computer and Information Engineering,Shandong Agriculture University,Taian 271018,China）

Received:2012-05-15 Revised:2012-08-13 Online:2013-02-25 Published:2013-02-25

摘要/Abstract

摘要：

局部支持向量机是一种用途广泛的分类器，无论在理论研究还是实际应用方面，局部支持向量机都受到越来越多的关注。目前，许多传统的局部支持向量机算法都存在一个问题，即模型中样本比例失衡，导致无法提高分类精度。在加权支持向量机的启发下，提出了将加权思想应用在局部支持向量机FalkSVM中的WFalkSVM算法，并通过实验分析验证了WFalkSVM的可行性及其有效性，最后对WFalkSVM算法进行分析总结。

关键词: 支持向量机, 局部支持向量机, FalkSVM, WFalkSVM

Abstract:

Local support vector machine is a widely used classifier. It has been attracting more and more attention both on its theoretical research and practical applications. Nowadays, there exists a problem in many traditional local support vector machine algorithms: the imbalance of the number of the samples leads to the difficulty in improving the classification accuracy. In this paper, firstly, under the inspiration of weighted support vector machine, the algorithm named WFalkSVM is proposed, which uses weight in FalkSVM. Secondly, the experiments demonstrates the feasibility and effectiveness. At last, we conclude the weighted FalkSVM.

Key words: support vector machine；local support vector machine；falkSVM； WFalkSVM

朱莹莹1, 尹传环1, 牟少敏2. 一种改进的局部支持向量机算法[J]. J4, 2013, 35(2): 91-95.

ZHU Yingying1，YIN Chuanhuan1，MU Shaomin2. An improved algorithm of local support vector machine[J]. J4, 2013, 35(2): 91-95.

[1]	吕小姣, 张玉梅, 杨红红, 吴晓军, . 基于距离排序的DUPSO-DSVM民歌快速分类算法研究[J]. 计算机工程与科学, 2023, 45(10): 1874-1833.
[2]	刘屹成, 刘晓燕, 严馨. 并行平衡级联支持向量机[J]. 计算机工程与科学, 2023, 45(07): 1170-1177.
[3]	唐宇, 代琪, 杨梦园, 陈丽芳, . 改进麻雀搜索算法优化SVM的异常点检测[J]. 计算机工程与科学, 2023, 45(02): 346-354.
[4]	仲臣, 余学祥, 邰晓曼, 韩雨辰, 肖星星, 刘清华, . 萤火虫算法优化支持向量机室内定位研究[J]. 计算机工程与科学, 2022, 44(11): 1968-1975.
[5]	马汉达, 朱敏. 改进SVM不平衡数据分类的IGWOSMOTE方法[J]. 计算机工程与科学, 2022, 44(06): 1133-1140.
[6]	韦修喜1，黄华娟1，周永权1,2. 基于AP聚类的约简孪生支持向量机快速分类算法[J]. 计算机工程与科学, 2019, 41(10): 1899-1904.
[7]	王云艳1,2，罗冷坤1，王重阳1. 基于流形学习的光学遥感图像分类[J]. 计算机工程与科学, 2019, 41(07): 1212-1219.
[8]	冯璋，裴东,王维. 基于改进灰狼算法优化支持向量机的人脸识别[J]. 计算机工程与科学, 2019, 41(06): 1057-1063.
[9]	崔建双，车梦然. 基于多分类支持向量机的优化算法智能推荐系统与实证分析[J]. 计算机工程与科学, 2019, 41(01): 153-160.
[10]	田勋，汪西莉. 基于聚类标签均值的半监督支持向量机[J]. 计算机工程与科学, 2018, 40(12): 2265-2272.
[11]	颜学龙，龚流青，汪斌斌. 基于DCQGA-SMKL-SVM的模拟电路故障诊断方法[J]. 计算机工程与科学, 2018, 40(11): 1944-1950.
[12]	张和杰,马维华. 基于贴近度等级的链路质量评估方法[J]. 计算机工程与科学, 2018, 40(11): 1991-1999.
[13]	王志华,罗齐,刘绍廷. 基于混沌灰狼优化算法的SVM分类器研究[J]. 计算机工程与科学, 2018, 40(11): 2040-2046.
[14]	邱云飞，李智义. 改进人工鱼群算法在SVM参数优化中的应用[J]. 计算机工程与科学, 2018, 40(11): 2074-2079.
[15]	任胜兵，廖湘荡. 基于代价敏感支持向量机的软件缺陷预测研究[J]. 计算机工程与科学, 2018, 40(10): 1787-1795.