基于全局和局部保持的半监督支持向量机.pdf

第7期 电 子 学 报 V01．38No．7 2010年7月 ACI’AⅡ腓0NICASIMCA Jul．2010 基于全局和局部保持的半监督支持向量机 皋军1，2一，王士同1,3，邓赵红1，3 (1．江南大学信息工程学院，江苏无锡214122；2．盐城工学院信息工程学院，江苏盐城224001； 3．浙江大学CAI)＆cG国家重点实验室，浙江杭州310027) 摘要： 支持向量机(s~M)作为正则化方法的一个特例在模式识别领域得到了成功地运用，然而传统的SVIVI方 法作为一种有监督的学习方法主要依据最大间隔原则得到决策超平面的法向量，而并没有充分考虑样本内在的几何 中，提出基于全局和局部保持的半监督支持向量机：GLSSVlVI，该方法在继承传统的SVM方法的特点的基础上，充分考 虑样本间具有的全局和局部几何结构，体现样本间所蕴含的局部和全局判别信息，同时满足作为半监督方法的必须依 据的一致性假设，从而在一定程度上提高了分类精度．通过在人造数据集和真实数据集上的测试表明该方法具有上述 优势． 关键词： 支持向量机；保局投影；线性判别分析；半监督；一致性假设 中图分类号： 1P391．4 文献标识码： A 文章编号： 0372．2112(20lO)07．1626-08 GlobalandLocal Based PresewingSemi—supervised VectorMachine Support GAO janl,2,3，WANG Shi．t册91”，DENGZhao-hongl3 (1．＆h础oflnformaaonEngineering，JiangnanUnivers丑y，llruai，]ia唧u214122，al／sla； 2．hod 224001，OI／na； oyIrCmat／o,,西画rl咖，地r咖／nst／ttaeoyTedmo／ogy，Yanch孵，J／angsu 3．State研／ab．ofCADC(；，Zh4i喵‰蚵，Hangz．／um，历慨310027，Ol／na) vector of beenused inthe Abstract：The machine(SVM)，勰one methods，has SUpport specialregularization successfully fieldof traditional vectOlofthedecision SVM，a the球栅I palIemrecognition．However，Ⅱle supervisedlearningmethod，gets tothe interval discrim-