模式识别中的支持向量机方法

被引：121

作者：

杜树新

吴铁军

机构：

[1] 工业控制技术国家重点实验室浙江大学智能系统与决策研究所,工业控制技术国家重点实验室浙江大学智能系统与决策研究所浙江杭州,,浙江杭州,

来源：

浙江大学学报(工学版) | 2003年 / 05期

关键词：

支持向量机; 模式识别; 泛化能力;

D O I：

暂无

中图分类号：

TP391.4 [模式识别与装置];

学科分类号：

0811 ; 081101 ; 081104 ; 1405 ;

摘要：

针对模式识别问题,描述了支持向量机的基本思想,着重讨论了ν-SVM、最小二乘SVM、加权SVM和直接SVM等新的支持向量机方法,用于降低训练时间和减少计算复杂性的海量样本数据训练算法分块法、分解法,提高泛化能力的模型选择方法,以及逐一鉴别法、一一区分法、M-ary分类法、一次性求解等多类别分类方法.最后给出了污水生化处理过程运行状态监控的多类别分类实例.作为结构风险最小化准则的具体实现,支持向量机具有全局最优性和较好的泛化能力.

引用

页码：25 / 31

页数：7

共 6 条

[1] Feasible Direction Decomposition Algorithms for Training Support Vector Machines [J].

Pavel Laskov .

Machine Learning, 2002, 46 :315-349

[2]

Convergence of a Generalized SMO Algorithm for SVM Classifier Design[J] . S.S. Keerthi,E.G. Gilbert.Machine Learning . 2002 (1)

[3] A Simple Decomposition Method for Support Vector Machines [J].

Chih-Wei Hsu ;

Chih-Jen Lin .

Machine Learning, 2002, 46 :291-314

[4] Choosing Multiple Parameters for Support Vector Machines [J].

Olivier Chapelle ;

Vladimir Vapnik ;

Olivier Bousquet ;

Sayan Mukherjee .

Machine Learning, 2002, 46 :131-159

[5] Least squares support vector machine classifiers [J].

Suykens, JAK ;

Vandewalle, J .

NEURAL PROCESSING LETTERS, 1999, 9 (03) :293-300

[6]

Fuzzy support vector machines. Lin C F, Wang S D. IEEE ACM Transactions on Networking . 2002

← 1 →