增量支持向量机核函数的优化.PDFVIP

计算机系统应用 ISSN 1003-3254, CODEN CSAOBN E-mail: csa@ Computer Systems  Applications,2017,26(8):284−287 [doi: 10.15888/ki.csa.005957] ©中国科学院软件研究所版权所有. Tel: +86-10     增量支持向量机核函数的优化① 李村合,  马敏敏 (中国石油大学(华东) 计算机与通信工程学院, 青岛 266580) 摘　要: 支持向量机的核函数类型分为两类: 局部核函数和全局核函数. 局部核函数的值只受到相距很近数据点的 影响, 有很好的学习能力. 全局核函数的值会受到距离较远数据点的影响, 有很好的推广泛化能力. 针对局部核函数 学习能力良好但泛化能力差的缺点, 提出一种结合局部核函数和全局核函数构造新联合函数的方法. 实验结果表 明, 与局部核函数和全局核函数相比, 新联合核函数有更好的预测能力, 并且能够适应增量学习的过程. 关键词: 支持向量机; 增量学习; 全局核函数; 局部核函数; 联合核函数 引用格式:  李村合,马敏敏.增量支持向量机核函数的优化.计算机系统应用,2017,26(8):284–287. /1003-3254/5957.html Optimization of Kernel Function in Incremental Support Vector Machine LI Cun-He, MA Min-Min (College of Computer and Communication Engineering, China University of Petroleum, Qingdao 266580, China) Abstract: The Kernel function to support vector machines can be divided into two types: the local kernel function and the global kernel function. Because the local kernel function has excellent learning ability, but its generalization ability is limited, we structure a joint kernel function with two kinds of functions, so that it can combine the advantages of the two kinds of kernel functions. The experiment proves that the joint kernel function can adapt to the incremental learning process and it has better performance. Key words : support vector machine; incremental learning; global kernel function; local kernel function; joint kernel function   引言 定量分析. 本文提出一个依赖数据构建核函数的方法. 解决线性不可分问题是支持向量机的一个优势. 找到分类空间中的边界区域, 构造相应的核函数. 不需 支持向量机引入非线性特征映射解决了非线性分类的 要对所有数据计算核函数. 问题, 即将待分类的数据从低维输入空间映射到高维 特征空间. 在算法中, 这个非线性映射通过适当的核函