GNG-SVM构架-基于生长型神经气的支持向量机队大数据集进行分类.docVIP

GNG-SVM构架-基于生长型神经气的支持向量机队大数据集进行分类 Ondrej Linda, Milos Manic 摘要：在数据分类领域，支持向量机是一种很著名的技术。然而，由于训练过程的复杂性，导致SVM不适用于对大数据集进行分类。目前的解决方案就是对输入数据集进行抽样或者对其进行聚类。在另一方面，生长型神经气它可以学习拓扑型数据，是一种具有很好鲁棒性的聚类分析方法。它克服了在绝大多数聚类中需要预先知道聚类数目或者聚类半径的问题。该文提出了一种通过学习数据的拓扑结构解决大数据集分类问题。这种解决方案结合GNG和SVM，形成为大数据集分类的GNG-SVM框架。输入数据首先经过GNG进行预处理。通过拓扑网络的学习，构造了一个新的压缩的数据集。因为数据集的规模被明显减小了，处理过程所需要的内存消耗也明显的减少了。在人工合成的和机遇显示世界数据集上，GNG-SVM框架的性能得到了验证。 关键字：数据分类，生长型神经气， 大数据集，支持向量机引言 数据分类和模式识别这些年被予以很高的重视[1]-[3],支持向量机(SVM)被证明是一种非常成功的数据分类工具[4],[5].在预先看不到的实例上，这种算法尽量找出不同类别之间的最大分界面。为了处理非线性可分问题，输入空间被核函数转换到一个特征空间[5]. 在训练阶段，标准支持向量机的解决方案的一个不足之处是需要很多的内存空间。这成为他在