最小二乘支持向量机的一种改进算法
周博韬; 李安贵
北京科技大学应用科学学院； 北京科技大学应用科学学院 北京100083； 北京100083；
ZHOU Bo-Tao,LI An-gui(Department of Mathematics and Mechanics,USTB,Beijing 100083,China)
摘要 最小二乘支持向量机相比传统的支持向量机,丧失了解的稀疏性,影响了二次学习的效率。对原有的最小二乘支持向量机在稀疏性上进行了改进,并通过实验,对改进后的最小二乘支持向量机的分类效果进行了验证。
关键词 ：
最小二乘支持向量机 ,
剪枝算法 ,
支持向量机
Abstract ：Compared with the classical Support Vector Machines,the Least Squares Support Vector Machines lose the sparseness,which would influence the efficiency of re-learning.To conclude a sparse solution,we present an improved algorithm for Least Squares Support
Key words ：
pruning algorithm；
vector machines
least squares support vector machines
出版日期: 2006-12-28
[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
[2]
饶泓； 陈慧佳； 董晓睿. 基于三元矩阵的层次分析多分类模型
[3]
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
[4]
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
[5]
梁声灼；谢文修；李芒； . 一种改进的1-v-1 SVM多类分类算法
[6]
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
[7]
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
[8]
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
[9]
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
[10]
白似雪; 刘华斌. 基于页面分块模型的PageRank算法研究
[11]
. 南昌大学学报(理科版)2007年总目次
[12]
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
[13]
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
2006, Vol. 30 