复杂分类问题支持向量机的简化 a simplification to support vector machine for complicated recognition problem.pdfVIP

下载本文档

0
0
约3.04万字
约 4页
2017-08-13 发布于上海
举报
版权申诉

复杂分类问题支持向量机的简化 a simplification to support vector machine for complicated recognition problem.pdf

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

复杂分类问题支持向量机的简化 a simplification to support vector machine for complicated recognition problem

第5 期电子学报 Voi. 35 No. 5 2007 年5 月 ACTA ELECTRONICA SINICA May 2007 复杂分类问题支持向量机的简化 1 1 2 3 方景龙，陈铄，潘志庚，梁荣华（1. 杭州电子科技大学图形图象研究所，浙江杭州3100 18 ；2 . 浙江大学CAD CG 国家重点实验室，浙江杭州310027 ； 3 . 浙江工业大学信息工程学院，浙江杭州3100 14 ）摘要：对于复杂分类问题，不可避免的会有错分情况，此时支持向量机的支持向量较多，影响了识别速度. 为了解决这个问题，我们提出了基于最小错分间隔的分类思想，并在此基础上得出了一种新的简化支持向量机. 与普通支持向量机相比，这种简化支持向量机有较少的支持向量、较高的识别速度，而且实验结果表明，它的识别精度完全可以与普通支持向量机的识别精度相媲美，甚至更优. 关键词：支持向量机；模式识别；支持向量缩减中图分类号： TP18 文献标识码： A 文章编号： 0372-2112 （2007 ）05-0858-04 A Simplification to Support Vector Machine for Complicated Recognition Problem FANG Jing-iong1 ，CHEN Shuo1 ，PAN Zhi-geng2 ，LIANG Rong-hua3 （1. Institute of Grap hics and Image ，Hangzhou Dianzi Uniuersity ，Hangzhou ，Zhej iang 3100 18 ，China ； 2. State Key Laboratory of CAD CG ，Zhej iang Uniuersity ，Hangzhou ，Zhej iang 310027 ，China ； 3. College of Inf ormation Engineering ，Zhej iang Uniuersity of Technology ，Hangzhou ，Zhej iang 3100 14 ，China ） Abstract ： For complicated recognition problem ，the number of support Vectors is large and recognition speed is low ， because some sample were diVided into section by error this time. To solVe this problem ，a method is bought to simplify the support Vector machines based the minimal misestimate margin idea. Experiments show that this new support Vector machine not only reduces the