检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于近邻传输的粒度SVM算法

计算机科学与探索 2020年第7期14卷 1194-1199页

作者：程凤伟王文剑太原学院计算机工程系太原030032 山西大学计算机与信息技术学院太原030006 山西大学计算智能与中文信息处理教育部重点实验室太原030006

传统粒度支持向量机(GSVM)模型可以有效提高支持向量机(SVM)的学习效率,但因其对初始粒划参数比较敏感,粒中心的选取比较粗糙,会损失一定的泛化能力。提出一种基于近邻传输的粒度支持向量机学习算法(APG_SVM)。首先在训练数据上采用近... 详细信息

传统粒度支持向量机(GSVM)模型可以有效提高支持向量机(SVM)的学习效率,但因其对初始粒划参数比较敏感,粒中心的选取比较粗糙,会损失一定的泛化能力。提出一种基于近邻传输的粒度支持向量机学习算法(APG_SVM)。首先在训练数据上采用近邻传输思想选取一组高质量的更具有代表性的粒中心加入到训练集,再根据粒中样本的混合度及粒中心到超平面的距离对训练集进行优化,生成最终训练集,然后进行训练,这样可使GSVM具有更好的泛化能力。在UCI标准数据集上的实验结果表明,与传统的粒度支持向量机相比,该算法分类效率有明显提高,在几个数据集上的正确率相对稳定,获得了较好的分类性能。

关键词：粒中心近邻传输混合度分类性能

在线全文

学校读者我要写书评

暂无评论

层次粒度支持向量机学习算法研究

层次粒度支持向量机学习算法研究

作者：程凤伟山西大学

学位级别：硕士

支持向量机（Support Vector Machine, SVM）作为机器学习研究中的一个热点,建立在统计学习理论的VC维理论和结构化风险最小化原理的基础上,在模式识别和时间序列预测等很多数据挖掘领域得到广泛的应用,具有简洁的数学形式、标准快捷的... 详细信息

支持向量机（Support Vector Machine, SVM）作为机器学习研究中的一个热点,建立在统计学习理论的VC维理论和结构化风险最小化原理的基础上,在模式识别和时间序列预测等很多数据挖掘领域得到广泛的应用,具有简洁的数学形式、标准快捷的训练方法和良好的泛化性能。目前,SVM在处理实际应用中的复杂庞大数据集时能力非常有限,训练样本的多少极大地影响了SVM的训练效率且SVM在处理特定空间的分类问题时效率不高。因此,如何提高支持向量机的泛化能力且保证训练效率成为支持向量机研究中的一个重要问题,这也是本文研究的目的。支持向量机学习算法在训练过程中容易产生冗余样本,不同的训练样本对于训练过程的贡献度不同,容易错分的样本对构造分类超平面的贡献度较大,而不容易错分的样本对构造分类超平面的贡献度较小。因此,根据样本对决策超平面的贡献程度进而构造粒度支持向量机是一种简化训练复杂度提高效率的有效方法。本文将层次分类思想、粒度计算理论和传统SVM分类方法进行了融合,建立了一种有效的层次粒度支持向量机学习机制,通过引入一个衡量粒的重要性的评价指标,筛选出对建立决策边界贡献度比较大的粒,剔除部分冗余粒,用保留粒中的代表点进行构造支持向量机的训练集。这种学习机制抽取重要分类信息构造训练集进行学习器的训练,分类速度远远高于SVM,同时,由于训练可在不同层次的粒中进行,所以可获得令人满意的优于传统粒度SVM的泛化能力。论文主要工作包括：（1）对传统的SVM模型的构造和原理进行了详细的介绍,指出SVM在解决分类问题中出现的主要问题。对粒度支持向量机的算法思想进行分析和探讨,同时,对粒度支持向量机算法的优点和缺点做了详细的阐述,针对这些问题本文进行了探索研究。（2）提出一种针对大规模数据集分类的层次粒度支持向量机学习算法。这种模型通过定义一个新的数据置信度来挑选出有价值的样本（即对建立决策边界贡献度较大）,并在每一层的训练中根据粒的分布情况进行自动粒划分,以获得更好的泛化能力。（3）提出一种针对密度分布不均匀数据集的动态粒度支持向量机学习算法,并对动态粒度支持向量机算法的思想进行探讨和研究。这种模型根据粒的不同分布自动进行粒划分,使SVM可以在不同层次的粒上训练,可以有效地克服传统SVM在处理大规模数据集时训练效率低下的问题,同时,也可获得较好的泛化性能。（4）为了对本文所提出的层次粒度SVM学习算法进行验证,在标准UCI数据集上进行了一系列的实验,取得了满意的预期效果。通过将本文提出的方法与经典SVM算法和传统粒度SVM算法进行实验比较,表明本文提出的层次粒度支持向量机和动态粒度支持向量机算法非常有效。本文提出的层次粒度支持向量机机制可以有效地解决大规模数据集以及数据分布不均匀的分类问题。取得的研究成果在丰富了SVM应用研究的同时,为基于认知的机器学习方法的实用化进行了有益的探索。

关键词：支持向量机粒度支持向量机不均匀数据集动态粒划分

面向非平衡数据的大间隔近邻Relief算法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

山西大学学报(自然科学版) 2022年第4期45卷 1014-1022页

作者：程凤伟常浩太原学院计算机科学与技术系

Relief算法对于数据重叠区域的样本分类较为困难，通过人为剔除分类边界的样本来缓解干扰数据对于分类性能的影响。在非平衡数据中，重叠区域包含着为数不多的少数类样本，简单地剔除干扰数据可能会造成信息的丢失。针对这一问题，文章... 详细信息

Relief算法对于数据重叠区域的样本分类较为困难，通过人为剔除分类边界的样本来缓解干扰数据对于分类性能的影响。在非平衡数据中，重叠区域包含着为数不多的少数类样本，简单地剔除干扰数据可能会造成信息的丢失。针对这一问题，文章提出了一种面向非平衡数据的大间隔近邻Relief算法，该算法首先结合K-means，提供了两种多数类样本的欠采样方案，以获得较为平衡的新采样数据集。然后利用SVM计算新数据集中最具判别性的方向，并依此设计了一种基于大间隔的近邻计算方式，从而尽可能避开干扰数据。在6个非平衡数据集上的实验表明，在现有代表性算法的基础上，文章提出的算法仅利用31%～57%数量的特征即可达到相当或更高的分类性能。

关键词：非平衡数据欠采样特征选择 Relief 大间隔

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

一种层次粒度支持向量机算法

小型微型计算机系统 2015年第8期36卷 1799-1802页

作者：程凤伟王文剑山西大学计算机与信息技术学院山西太原030006 山西大学计算智能与中文信息处理教育部重点实验室山西太原030006

支持向量机(Support Vector Machine,SVM)拥有简洁的数学函数,能够非常有效地处理分类和回归问题,SVM具有两大优点:边界最大化和利用核函数解决线性不可分问题.但是由于SVM的训练复杂度依赖于数据集的规模,所以SVM处理大规模数据时能力... 详细信息

支持向量机(Support Vector Machine,SVM)拥有简洁的数学函数,能够非常有效地处理分类和回归问题,SVM具有两大优点:边界最大化和利用核函数解决线性不可分问题.但是由于SVM的训练复杂度依赖于数据集的规模,所以SVM处理大规模数据时能力非常有限.粒度支持向量机(Granular Support Vector Machine,GSVM)模型可以有效提高SVM的学习效率,但会损失一定的泛化能力.提出一种新的粒度支持向量机学习算法,称为层次粒度支持向量机(Hierarchical Granular Support Vector M achine,HGSVM),通过定义一个新的数据置信度挑选对分类贡献较大的重要信息粒,并在每次的迭代训练中根据粒的重要性进行自动粒划,以获得更好的泛化能力.在UCI标准数据集上的实验结果表明,与传统的粒度支持向量机相比,本文的算法可获得较好的分类性能.

关键词：层次粒度支持向量机置信度自动粒划分布

在线全文

学校读者我要写书评

暂无评论

动态粒度SVM学习算法

模式识别与人工智能 2014年第4期27卷 372-377页

作者：程凤伟王文剑郭虎升山西大学计算机与信息技术学院太原030006 山西大学计算智能与中文信息处理教育部重点实验室太原030006

粒度支持向量机(GSVM)在处理分布均匀的数据集时较有效,但现实生活中数据集的分布往往是不可预测的,且分布不均匀.文中提出一种动态粒度支持向量机(DGSVM)学习算法,根据粒的不同分布自动粒划分,使SVM可在不同层次的粒上训练.标准数据集... 详细信息

粒度支持向量机(GSVM)在处理分布均匀的数据集时较有效,但现实生活中数据集的分布往往是不可预测的,且分布不均匀.文中提出一种动态粒度支持向量机(DGSVM)学习算法,根据粒的不同分布自动粒划分,使SVM可在不同层次的粒上训练.标准数据集上的实验表明,与GSVM相比,DGSVM具有更好的分类性能.

关键词：粒度支持向量机(GSVM) 不均匀数据集分布动态粒度支持向量机(DGSVM)

在线全文

学校读者我要写书评

暂无评论

一种基于混合度的层次粒度SVM算法

山西大学学报(自然科学版) 2017年第4期40卷 750-755页

作者：程凤伟郭虎升太原学院计算机工程系山西大学计算机与信息技术学院

随着现实生活中数据集规模的不断增大,设计有效的分类算法势在必行。支持向量机(Support vector machine,SVM)是一种公认的性能较好的分类算法,目前一些SVM算法是针对减少支持向量的数目来提高分类的效率。文章提出一种基于混合度的层... 详细信息

随着现实生活中数据集规模的不断增大,设计有效的分类算法势在必行。支持向量机(Support vector machine,SVM)是一种公认的性能较好的分类算法,目前一些SVM算法是针对减少支持向量的数目来提高分类的效率。文章提出一种基于混合度的层次粒度支持向量机算法(Hierarchical Granular Support Vector Machine Algorithm based on Mixed,MHG-SVM),利用混合度对已有的层次粒度SVM分类算法进行了改进,该算法通过定义一个数据置信度和一个粒度参数挑选出重要的分类信息。从实验结果可以看出,提出的算法在处理大规模数据集方面,保持了较高的分类精度,而且支持向量机的学习和分类速度也取得了大幅度提高。

关键词：支持向量分类精度混合度置信度大规模数据集

面向高维小样本数据的层次子空间ReliefF特征选择算法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

南京大学学报（自然科学版） 2023年第6期59卷 928-936页

作者：程凤伟王文剑张珍珍太原学院计算机科学与技术系太原030032 计算智能与中文信息处理教育部重点实验室山西大学太原030006

高维小样本数据的特征维数远远高于样本数,因为其通常包含大量的冗余特征,ReliefF算法在处理这类数据时存在以下挑战:传统ReliefF算法无法剔除冗余特征,而现有的改进ReliefF算法大多通过启发式地计算特征与特征之间的互信息来剔除冗余特... 详细信息

高维小样本数据的特征维数远远高于样本数,因为其通常包含大量的冗余特征,ReliefF算法在处理这类数据时存在以下挑战:传统ReliefF算法无法剔除冗余特征,而现有的改进ReliefF算法大多通过启发式地计算特征与特征之间的互信息来剔除冗余特征,不适用于高维数据;通过截取与标记相关性最大的若干特征来进行分类,可能不是最优选择,因其没有考虑不同特征组合对分类性能的影响.为了解决以上问题,提出一种基于层次子空间的ReliefF特征选择算法,将原始特征集划分为具有层次结构的子空间,并利用邻域粗糙集理论来计算低层子空间的局部依赖度,能在高维小样本数据上高效率地批量剔除冗余特征.此外,为了考量不同特征组合对结果的影响,引入“局部领导力”的概念,保留部分子空间中“带队”能力较强的特征,从局部和全局的角度共同给予特征更加客观的评价.在六个微阵列基因数据集上的实验表明,与现有方法相比,提出的方法更高效,而且能保持良好的分类性能.

关键词：高维小样本数据特征选择 ReliefF 层次子空间邻域粗糙集

在线全文

学校读者我要写书评

暂无评论

一种基于决策树的SVM算法

太原学院学报（自然科学版） 2017年第1期35卷 33-36页

作者：程凤伟太原学院山西太原030032

随着现实生活中数据集规模的不断增大,提出一个有效的分类算法势在必行。现今很多已有的算法是针对减少支持向量的数目来提高分类的效率,文章提出了一个基于决策树的支持向量机算法,旨在通过减少测试集的数目来提高支持向量机在测试阶... 详细信息

随着现实生活中数据集规模的不断增大,提出一个有效的分类算法势在必行。现今很多已有的算法是针对减少支持向量的数目来提高分类的效率,文章提出了一个基于决策树的支持向量机算法,旨在通过减少测试集的数目来提高支持向量机在测试阶段的分类速度。基于决策树的支持向量机算法的思想是利用决策树算出支持向量机的大致决策边界,决策树上含有单变量节点和SVM节点,支持向量机用来对靠近决策边界的重要的数据点进行分类,剩下的相对不重要的数据点用决策树对其进行快速分类。

关键词：支持向量机决策树决策世界

在线全文

学校读者我要写书评

暂无评论

一种基于SVM的线性分类算法

太原学院学报（自然科学版） 2018年第4期36卷 52-54页

作者：程凤伟太原学院山西太原030032

随着样本数量的增加,算法的复杂度也随着增高,支持向量机算法需要解决一个关于样本维度的二次规划问题,文章提出一个新的算法:基于SVM的单类线性分类算法,通过增强约束不等式和为拉格朗日中的惩罚参数加平方,将二次规划问题转化为相对... 详细信息

随着样本数量的增加,算法的复杂度也随着增高,支持向量机算法需要解决一个关于样本维度的二次规划问题,文章提出一个新的算法:基于SVM的单类线性分类算法,通过增强约束不等式和为拉格朗日中的惩罚参数加平方,将二次规划问题转化为相对简单的线性问题,该算法能很好地应用于层次聚类和核聚类中。实验结果表明,本文提出的算法与单类SVM分类算法相比,在正确率几乎相同的情况下,运算速度有了很大的提高。

关键词：支持向量机二次规划约束不等式