支持向量预选取的域着色Voronoi图方法-杭州电子科技大学.PDFVIP

第 25卷第 12期　　　 计算机应用与软件 Vo.l25 No.12 2008年 12月　　 ComputerApplicationsandSoftware Dec.200 8 Voronoi 杨　洁　郑　宁　徐海涛　刘　董　徐　明 (　 3100 18) 　　　支持向量机是建立在统计学习理论基础上的一种机 学习方法, 它通过对支持向量的训练而具有很好的分类推广能力。 但是从训练样本中选取合适的支持向量很困难, 而对噪音样本的训练会使支持向量机的泛化能力下降。 在分析了支持向量的分布 特性和 Voronoi图在特征空间划分的优势后, 提出一种利用域着色 Voronoi图来选取支持向量的方法。 该方法能大量减少训练样本 集中的非支持向量, 排除孤立噪音样本, 最终得到 一个包含候选支持向量的训练样本集。 仿真实验结果说明了该方法的有效性和可 行性。 　　支持向量　预选取　噪音　Voronoi图 REGIONCOLOUREDVORONOIDIAGRAM FORPRE-EXTRACTINGSUPPORTVECTOR YangJie　ZhengNing　XuHaitao　LiuDong　XuMing (CollegeofCompute,rHangzhouDianziUniversit,yHangzhou310018, Zhejiang, China) Abstrac　t　SupportVectorMachine(SVM)isamachinelearningmethodbasedonstatisticalstudyrationale. Ithasexcellentclassified promotionabilitythroughontrainingsupportvectors(SV).Howeve,ritisdifficultytogetproperSVsfromtrainingsample.Trainingnoise samplewouldmakeSVM sgeneralizationgoesdown. Inthispape,ranewmethodforpre-extractingsupportvectorsusingregioncoloured VoronoidiagramwasintroducedafteranalyzingthedistributioncharacterofSVandtheadvantageofVoronoidiagram infeaturespaceparti- tion.Thismethodreducedthenon-supportvectorscentralizedinthetrainingsamplegreatlyandeliminatedthelonenoisesampl,e andob- tainedatrainingsamplesetwhichonlyconsistsoftheinstancesthatwerelikelytobeSV.Theemulationexperimentresultindicatesthevalid- ityandfeasibilityofthismethod. Keywords　　Supportvector　Pre-extracting　Noise　Voronoidiagram 。 , 0　　 , [4] 。 70 Voronoi RCVM(RegionColored , 。 VoronoidiagramMetho