- 1、本文档共5页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
基于距离核函数的除噪和减样方法
2008 年 7 月 系统工程理论与实践 第 7 期
( )
文章编号 2008
基于距离核函数的除噪和减样方法
1 ,2 1 1 ,3
刘万里 ,刘三阳 ,薛贞霞
( 1 西安电子科技大学 应用数学系 ,西安 710071 ;2 洛阳师范学院 数学系 ,洛阳 471022 ;
3 河南科技大学 数学系 ,洛阳 471003)
( )
摘要 : 在使用支持向量机 SVM 分类时 ,存在以下两个问题 :一是当存在噪点时 ,分类的精度低 ;二是对
大规模样本集 ,训练时所需内存空间较大 ,运行时间较长. 针对以上问题 ,给出一种基于具有距离性能的
( )
核函数的减样方法 ,称为删减法 DRM . 该方法定位定量分析了噪点及多余样本点的一般比例. 在应用
时 ,分三步进行 :首先根据小概率原理给出一小阈值删除噪点 ; 然后给出一个较大阈值减去同类中心附
近的大量多余的样本点 ; 最后以另一个大的比例减去位于距异类中心较远的对分类不起作用的样本
点 ,以便提取具有代表性的边界向量. 试验结果检验了该方法的有效性 , 即 , 既减少了训练时间 ,又提高
了分类精度.
关键词 : 距离核函数 ;噪点 ;减样 ;小概率原理 ;支持向量机
中图分类号 : TP183 文献标志码 : A
A denosing and samplereducing method based on kernel
function with distance performance
LIU Wanli1 ,2 , LIU Sanyang1 , XUE Zhenxia1 ,3
(1Department of Applied Mathematics , Xidian University , Xi ’an 710071 , China ; 2Department of Mathematics , Luoyang Normal
)
College , Luoyang 471022 , China ; 3Department of Mathematics , Henan Science and Technology University , Luoyang 471003 , China
Abstract: There exist two problems in using support vector machine ( SVM) as follows : One is the lower
classification accuracy when existing noises. The other is larger memory needed and longer t
文档评论(0)