|
|
|
| 一种启发式的支持向量机多分类层次树结构构造方法 |
| 董晓睿饶泓崔浩赵光秋万爱辉 |
| 中国石油大学胜利学院南昌大学计算中心92730部队90分队 |
|
|
|
|
摘要 支持向量机在处理大样本数据多分类问题时,往往会出现数据集偏斜、基分类器过多、编码方法适应性差等问题,从而导致精度和效率大幅下降。本文提出了一种启发式的支持向量机多分类层次树结构构造方法,构造出由若干子分类器协同计算的多分类层次树结构,一定程度上改善了基分类器过多、数据集偏斜、数据训练时间过长等问题。通过实验证明,该方法与常规方法相比,具有更优秀的精度和效率,在处理大样本、多特征数、多类别的样本分类时,优势更加明显。本研究方法为支持向量机多分类方面的研究提供了一种新的思路,对于本体领域内的分类和回归问题的研究也具有一定的理论参考意义。
|
|
| 关键词 ：
多分类,
支持向量机,
层次树结构,
大样本,
输出编码
|
|
|
| 基金资助:国家自然科学基金资助项目(61262047)； |
| [1] |
董晓睿饶泓崔浩赵光秋万爱辉. 一种启发式的支持向量机多分类层次树结构构造方法[J]. 南昌大学学报（理科版）, 2019, 43(3): 296-. |
| [2] |
郑超英叶贝鸽刘萍邱桃荣. 一种基于核主成分分析的驾驶疲劳状态预测方法[J]. 南昌大学学报（理科版）, 2019, 43(2): 182-. |
| [3] |
车小磊李向军沈华吴青松李子健唐丽君. 一种基于局部核校准的核评估标准[J]. 南昌大学学报（理科版）, 2018, 42(3): 300-. |
| [4] |
段文影饶泓段隆振马海亮. 基于IA参数寻优组合核的SVM文本分类研究[J]. 南昌大学学报（理科版）, 2018, 42(3): 289-. |
| [5] |
陈铭钧陶凌李富贵刘九畅. HHT在白细胞亚群分类算法中的应用[J]. 南昌大学学报（理科版）, 2018, 42(1): 72-. |
| [6] |
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-. |
| [7] |
饶泓； 陈慧佳； 董晓睿. 基于三元矩阵的层次分析多分类模型[J]. 南昌大学学报（理科版）, 2015, 39(04): 347-. |
| [8] |
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-. |
| [9] |
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-. |
| [10] |
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-. |
| [11] |
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-. |
| [12] |
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-. |
| [13] |
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-. |
| [14] |
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-. |
| [15] |
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-. |
|
|
|
|
