|
|
|
| 基于三元矩阵的层次分析多分类模型 |
| 饶泓； 陈慧佳； 董晓睿 |
| 南昌大学计算中心 |
|
| RAO Hong;CHEN Huijia;DONG Xiaorui |
|
|
|
摘要 针对支持向量机解决多分类问题时二分类向多分类扩展过程中的效率降低和数据集倾斜问题,提出了一种基于三元矩阵和层次分析的多分类模型的构造方法,优化支持向量机的多分类效果和效率,弥补1vs1、ECOC等主流算法的不足。该模型通过建立一种简单有效的获取样本集线性可分性构造分类器,从而减少支持向量机在处理多分类时的运算复杂程度。采用了UCI标准数据库中的Iris,Breast Tissue和Statlog等数据集对模型进行训练测试,测试结果表明所提出模型是有效的,尤其在大量数据下多分类的有效性。 更多还原
|
|
| 关键词 ：
多分类,
支持向量机,
模式识别,
监督学习,
输出编码
|
|
|
| 基金资助: 国家自然科学基金资助项目(61262047) |
| [1] |
赖清衷卫声熊鹏文黄嘉诚任倩茹. 基于BP神经网络与多分类支持向量机的水质识别与分类[J]. 南昌大学学报（理科版）, 2016, 40(06): 563-. |
| [2] |
沈渊彬； 刘庆珍； 李友军； 苏申. 基于模糊组合权重的BA-SVM短期负荷预测[J]. 南昌大学学报（工科版）, 2015, 37(03): 300-. |
| [3] |
陆荣秀；杨辉；欧阳超明；朱璐闻； . 基于PCA-LS_SVM的镨\钕萃取过程元素组分含量预测[J]. 南昌大学学报（理科版）, 2013, 37(06): 589-. |
| [4] |
梁声灼；谢文修；李芒； . 一种改进的1-v-1 SVM多类分类算法[J]. 南昌大学学报（理科版）, 2013, 37(03): 287-. |
| [5] |
姜海燕； 杜民. 基于最小二乘支持向量机的纳米金免疫层析试条快速定量[J]. 南昌大学学报（工科版）, 2012, 34(03): 283-. |
| [6] |
林苏斌； 陈为. 基于支持向量机的热电偶高频磁场环境测温误差校正[J]. 南昌大学学报（工科版）, 2012, 34(02): 183-. |
| [7] |
徐敏； 袁建洲； 刘四新； 郭含. 基于支持向量机的短期风电功率预测[J]. 南昌大学学报（工科版）, 2012, 34(02): 201-. |
| [8] |
曾勍炜; 徐知海; 付爱英; 邓庚盛. 融合蚁群算法与支持向量机的网络流量预测[J]. 南昌大学学报（理科版）, 2011, 35(04): 1-. |
| [9] |
白似雪; 刘华斌. 基于页面分块模型的PageRank算法研究[J]. 南昌大学学报（工科版）, 2008, 30(02): 1-. |
| [10] |
. 南昌大学学报(理科版)2007年总目次 [J]. 南昌大学学报（理科版）, 2007, 31(06): 1-. |
| [11] |
富坤; 富成科; 汪友华; 杨晓光. 基于支持向量机对种群特征回归分析的自适应遗传算法[J]. 南昌大学学报（理科版）, 2007, 31(04): 1-. |
| [12] |
刘显贵; 谢云敏; 陈无畏. 一种基于核主元分析的支持向量机识别方法[J]. 南昌大学学报（理科版）, 2007, 31(01): 1-. |
| [13] |
周博韬; 李安贵. 最小二乘支持向量机的一种改进算法[J]. 南昌大学学报（理科版）, 2006, 30(06): 1-. |
| [14] |
戴文进; 付小科. 基于模式识别和神经网络的电力系统短期负荷预测[J]. 南昌大学学报（工科版）, 2003, 25(02): 1-. |
| [15] |
胡兆吉; 韩良浩; 柳曾典. 基于人工神经网络的含缺陷压力管道失效模式的识别[J]. 南昌大学学报（工科版）, 1997, 19(03): 1-. |
|
|
|
|
2015, Vol. 39 
