基于复杂网络的约简LSSVM样本筛选及其应用的中期报告.docxVIP

基于复杂网络的约简LSSVM样本筛选及其应用的中期报告 1. 研究背景和意义 支持向量机（SVM）是一种学习算法，在分类和回归问题中都有广泛的应用。然而，SVM 在处理大规模数据时会遇到效率问题。为了解决这个问题，一种被称为 LS-SVM 的技术被发明出来。LS-SVM 在 SVM 中基于岭回归实现，具有高效的特点，因此在大规模数据集上可以很好地工作。 同时，在SVM 中，样本个数对分类器性能的影响非常大。通常情况下，样本越多，分类器的性能越好。但是，当样本数量非常大时，分类器的性能可能会受到限制。因此，如何有效地选择样本成为训练集，是LS-SVM中的一个关键问题。目前，一些基于遗传算法和粒子群优化的样本筛选方法已被提出。但是，这些方法可能会导致模型过拟合或选取的样本数量过少，从而导致分类器的性能下降。 因此，本研究旨在基于复杂网络的样本筛选方法，以提高LS-SVM模型在大规模数据集上的分类精度和效率。 2. 研究方法 首先，构建样本复杂网络。将训练样本看作网络中的节点，根据它们的相似性构建边。然后，采用模块化度量方法，将网络分为模块，并使用网络中的特征向量对每个模块进行描述。接着，基于关键节点集合和模块描述向量，提出一种新的约SVM样本筛选模型。该模型可以通过删除不相关的样本和计算模块描述向量之间的相关性指标，快速生成具有高准确性的训练样本集。 3. 研究进展 已经实现了样本复杂