基于超立方体顶点采样的区间数SVM分类模型研究

计算机工程与科学

基于超立方体顶点采样的区间数SVM分类模型研究

覃朗，朱建军

（南京航空航天大学经济与管理学院，江苏南京 211106）

收稿日期:2015-11-04 修回日期:2016-05-12 出版日期:2017-11-25 发布日期:2017-11-25
基金资助:
国家社会科学基金(14AZD049)；国家自然科学基金(71171112,71401064)；中央高校基本科研业务费专项资金(NS2014086)；南京航空航天大学研究生开放基金（kfjj20150903）

An SVM classification model for interval

numbers based on hypercube vertex sampling

QIN Lang,ZHU Jian-jun

（College of Economics and Management，Nanjing University of Aeronautics and Astronautics,Nanjing 211106,China）

Received:2015-11-04 Revised:2016-05-12 Online:2017-11-25 Published:2017-11-25

摘要/Abstract

摘要：

研究了针对区间数样本的支持向量机分类问题。定义了区间数样本与超立方体之间的映射关系，研究了基于区间数样本的超立方体表示框架；提出了基于二叉树完整遍历的满足样本约束的超平面顶点采样方法，建立了通过分类目标函数转换的分类学习模型。实验仿真结果表明了该方法的可行性与有效性。

关键词: 区间数, 支持向量机, 超立方体, 顶点采样

Abstract:

We study the support vector machine (SVM) classification problem of interval numbers, define the mapping relationship between interval numbers and the hypercube, and build a hypercube representation frame based on interval number samples. We then propose a super planar vertex sampling method based on the complete traversal of the binary tree, which can satisfy sample constraint. We also build up a classification-learning model through transforming the classification objective function. Experimental simulations verify the feasibility and effectiveness of the proposed method.

Key words: interval number, SVM, hypercube, vertex-sampling

覃朗，朱建军. 基于超立方体顶点采样的区间数SVM分类模型研究[J]. 计算机工程与科学.

QIN Lang,ZHU Jian-jun.

An SVM classification model for interval

numbers based on hypercube vertex sampling

[J]. Computer Engineering & Science.

[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]	陈芳，张乾. 超立方体网络环诊断策略的研究[J]. 计算机工程与科学, 2019, 41(07): 1191-1196.
[8]	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.
[9]	吴翠先1,2,3，何少元1,2. 基于区间数的不确定性数据聚类算法:UD-OPTICS[J]. 计算机工程与科学, 2019, 41(07): 1303-1311.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	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.