p范数正则化支持向量机分类算法

摘要：

L2范数罚支持向量机(Support vector machine,SVM)是目前使用最广泛的分类器算法之一,同时实现特征选择和分类器构造的L1范数和L0范数罚SVM算法也已经提出.但是,这两个方法中,正则化阶次都是事先给定,预设p=2或p=1.而我们的实验研究显示,对于不同的数据,使用不同的正则化阶次,可以改进分类算法的预测准确率.本文提出p范数正则化SVM分类器算法设计新模式,正则化范数的阶次p可取范围为0＜p≤2.使用网格法选择模型参数值,使用迭代再权方法求解分类器目标函数,找出最小分类预测误差的模型参数值.在实际数据集上的实验结果验证了提出算法能够同时实现分类预测和特征选择,性能优于L2范数罚SVM,L1范数罚SVM和L0范数罚SVM.

关键词：迭代再权方法、p范数(0＜p≤2)、支持向量机、特征选择、稀疏化模型、高维小样本数据

所属期刊栏目：38

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金21006127;20976193;中国石油大学北京基础学科研究基金

在线出版日期：2012-05-17（万方平台首次上网日期，不代表论文的发表时间）

页码：76-87