自适应局部图嵌入加权罚支持向量机
CSTR:
作者:
作者单位:

1. 海军航空工程学院控制工程系,山东烟台264001;
2. 中国人民解放军91550 部队,辽宁大连116000.

作者简介:

廖剑

通讯作者:

中图分类号:

TP391

基金项目:

国家青年科学基金项目(61203168).


Adaptive local graph embedding weighted-penalty SVM
Author:
Affiliation:

1. Department of Control Engineering,Naval Aeronautical and Astronautical University,Yantai 264001,China;
2. Unit 91550 of PLA,Dalian 116000,China.

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:

    针对标准SVM不能有效利用数据流形的局部信息以及对数据中的野值敏感的两点不足, 提出一种基于自适应局部图嵌入加权罚SVM. 算法在保持SVM优化框架不变的情况下, 在目标函数中同时加入了对数据整体类间间隔最大化和数据局部流形分布的要求, 优化了分类决策边界, 简化了核化过程, 同时在软间隔的样本惩罚系数中引入了数据的全局结构信息, 增强了算法的鲁棒性. 在人工、标准和图像数据集上的实验结果表明, 所提出的方法是有效的.

    Abstract:

    Abstract:As a popular machine learning algorithm, the standard support vector machine(SVM) is faced with two problems: 1) how to effectively use the local information of data manifold; 2) the classification hyperplane sensitive to the outliers in the data. Therefore, a learning algorithm called adaptive local graph embedding weighted-penalty support vector machine(ALGEWP-SVM) is proposed. On the condition of keeping the optimization framework of the standard SVM,
    the proposed algorithm joins the requirements of maximizing inter-class margin of the entire data and optimizing local distribution of the data manifold in the objective function, which optimizes the hyperplane of classification decision and simplifies the process of kernelization. Meanwhile, the proposed algorithm introduces the global structure information of data to automatically repress the influence of the outliers upon the hyperplane and improve the robustness of the algorithm. The results of the experiment on artificial, standard and image datasets show the effectiveness of the proposed algorithm.

    参考文献
    相似文献
    引证文献
引用本文

廖剑 周绍磊 史贤俊.自适应局部图嵌入加权罚支持向量机[J].控制与决策,2015,30(2):203-214

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:2014-01-05
  • 最后修改日期:2014-03-24
  • 录用日期:
  • 在线发布日期: 2015-02-20
  • 出版日期:
文章二维码