多分类簇支持向量机方法.pdfVIP

第3O卷第 1期 计算机应用 Vo1．30No．1 2010年 1月 JournalofComputerApplications Jan．2010 文章编号 ：1001—9081(2010)01—0143—03 多分类簇支持向量机方法 王之怡 ，杨一帆 (西南财经大学 经济信息工程学院，成都 610074) (wangzy_t@swufe．edu．cn) 摘 要：针对支持向量机的多分类问题，提 出一种新颖的基于非平行超平面的多分类簇支持向量机。它针对 k模 式分类问题分别训练产生k个分割超平面，每个超平面尽量靠近 自身类模式而远离剩余类模式；决策时，新样本的类 别由它距离最近的超平面所属的类决定，克服了一对一 (OAO)和一对多(OAA)等传统方法存在的 “决策盲区”和 “类 别不平衡”等缺陷。基于UCI和 HCL2000数据集的实验表明，新方法在处理多分类问题时，识别精度显著优于传统多 分类支持 向量机方法。 关键词：支持向量机；超平面；核 函数；手写体汉字识别 中图分类号：TP391．4 文献标志码：A M ulti-classclustersupportvectormachines WANG Zhi．yi．YANG Yi．fan (SchoolofEconomiesInformationEngineering,SouthwestUniversityofFinanceandEconomics，ChengduSichnan610074，China) Abstract：Basedontheideaofnonparallelhyperplanes，anovelmulti—classclustersupportvectormachinemethodwas proposedtosettlethemulti—classclassificationproblem ofsupportvectormachines．Forak—classclassificationproblem，it trainedk—hyperplanesrespectively，andeachonelayascloseaspossibletoself-classwhilebeingapartfrom therestclassesas faraspossible．Then，labelsofnew samplesweredetermined bytheclassoftheirnearesthyperplane，thustheinherent limitationsofOne—Against—One(OAO)andOne—Against—All(OAA)methodscanbeavoided，suchas”decisionblind—area” nad ”unbalancedclasses”．Finally．experimentson UCIandHCL2000 datasetsshow thattheproposedmethodsignificnatly outperfomr straditionalOAO andOAA intemr sofrecognitionaccuracy． Keywords：SupportVectorMachine(SVM)；hyperplane；kernelfunction；handwrittenChinesecharacterrecognition 1}，寻找一个分类函数使得 R 划分为两个子空间，两类样本 0 引言 分别属于不同的子空间。