基于中心加权的局部核向量机算法

摘要：

为了解决大规模非线性分类中局部学习的不平衡性问题，提出一种改进的局部支持向量机算法，在高维特征空间中聚类后，为每一个簇构造局部非线性支持向量机。为了克服簇内样本的分布不均衡问题，根据闭合超平面不规则边界的几何特点，经过梯度下降寻找稳定均衡向量，以此构造簇几何中心；再结合簇密度中心共同约束类心形成双重加权中心。然后通过求解加权最小闭球问题实现对大规模样本向量的分类。对照实验显示，除了个别数据集以外，改进的算法在训练时间、测试时间以及测试精度等方面都比另外两种分类算法表现更佳。

关键词：双中心、超曲面、局部支持向量机、最小闭球、稳定均衡向量

分类号：TP181(自动化基础理论)

在线出版日期：2014-09-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：612-617