一种基于样本加权的多尺度核支持向量机方法-计算机科学.pdf

Vo 1. 43 No. 12 第 43 卷第12 期 计算机科学 2016 年 12 月 Computer Science Dec 2016 一种基于样本加权的多尺度核支持向量机方法 沈健蒋芸张亚男胡学伟 (西北师范大学计算机科学与工程学院 兰州 730070) 摘 要 多核学习方法是机器学习领域中的一个新的热点。核方法通过将数据映射到高维空间来增加线性分类器的 计算能力，是目前解决非线性模式分析与分类问题的一种有效途径。但是在一些复杂的情况下，单个核函数构成的核 学习方法并不能完全满足如数据异构或者不规则、样本规模大、样本分布不平坦等实际应用中的需求问题，因此将多 个核函数进行组合以期获得更好的结果，是一种必然的发展趋势。因此提出一种基于样本加权的多尺度核支持向量 机方法，通过不同尺度核函数对样本的拟合能力进行加权，ρ、而得到基于样本加权的多尺度核支持向量机决策函数。 通过在多个数据集上的实验分析可以得出所提方法对于各个数据集都获得了很高的分类准确率。 关键词 多核学习，映射，非线性模式，数据异构 中图法分类号 TP181 文献标识码 A 001 10. 11896/j. issn. 1002-137叉 2016.12.025 Novel Multi-scale Kernel SVM Method ßased on S创nple Weighting SHEN Jian JIANG Yun ZHANG Ya-nan HU Xue-wei (College of Computer Science and Engineering ,Northwest Normal University ,Lanzhou 730070 ,China) Abstract Multi-kemel leaming has been a new research focus in the current kemel machine leaming field. Through mapping data into high dimensional space ,kemel methods increase the computational power of linear classifier and they are an effective way to solve the problem of nonlinear model analysis and classification. In some complex situations ,ne- vertheless ,the kemelleaming method of single kemel function can not completely satisfy the requirements of heteroge- neous data or irregular data as well as samples of large size and non-flat distribution. Therefore ,it is necessary to deve- lop multiple kemel functions in order to get better results. In this paper ,we proposed a new SVM method for multi- scale kemelleaming based on sample weighting ,which is assigned via fitting abilities o