MK-LSSVM与AdaBoost-SVM在分类中的比较和研究.pdf

《MK-LSSVM与AdaBoost-SVM在分类中的比较和研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、MK-LSSVM与AdaBoost．SVM在分类中的比较和研究刘卫华MK—LSSVM与AdaBoost—SVM在分类中的比较和研究ResearchandComparisonofMK··LSSVMandAdaBoost--SVMinClassification纠2华(一2／-州交通大学自动化与电气工程学院，甘肃兰州730070)摘要：对基于多核函数的最小二乘支持向量机算法(MK—ISSVM)和采用支持向量机作为弱分类器的AdaBoost算法(AdaBoost．SVM)这两种新型的分类算法进行了研究。将这两种算法应用于求解心脏单光子发射计算机化断层显像(SPE

2、CT)图像数据的二分类问题和iris数据集的多分类问题，并从平均分类精度和平均运行时间两方面进行比较分析。最后通过Sammon映射给出了分类的可视化结果。试验结果验证了MK．LSSVM算法和AdaBoost—SVM算法的有效性和可行性，且MK—LSSVM算法在不损失分类精度的前提下，能够获得比AdaBoost．SVM更快的训练速度。关键词：多核核函数最小二乘支持向量机AdaBoost算法神经网络拉格朗日函数分类精度中图分类号：TPl81文献标志码：AAbstract：Twooftheclassificationalgorithms，i．e．，theleas

3、tsquaresupportvectormachinebasedOffmultiplekernelfunction(MK·ISSVM)andtheAdaBoostalgorithmusingsupportvectormachine(AdaBoost—SVM)asweakclassifierareresearched．ThesetwoalgorithmsareappliedinsolvingproblemofBinaryclassificationofimagedataofcardiacsinglephotonemissioncomputerizedtomo

4、graphy(SPECT)andmulti—classificationofirisdata，andthecomparisoniscarriedoutbasedonaverageclassificationaccuracyandaveragerunningtime。andvisualizedclassificationresultsaregivenviaSammonmapping．TheresultsoftestsverifytheeffectivenessandfeasibilityofMK—LSSVMalgorithmandAdaBoostalgori

5、thm。andfastertrainingspeedisofferedbyMK—LSSVMalgorithmthanAdaBoost—SVMwithoutlossofclassificationaccuracy．Keywords：MultiplekernelfunctionLeastsquaresupportvectormachine【LS·SVM)AdaBoostalgorithmNeuralnetworkLagrangianfunctionClassificationaccuracy0引言支持向量机(supportvectormachine，SVM)作

6、为一种新的数据分类和函数估计方法¨J，越来越受到人们的重视。近几年出现了许多对标准支持向量机的改进方法，最小二乘支持向量机(1eastsquaressupportvectormachines，KS．SVM)口1就是其中的一种。该方法采用等式约束代替了标准支持向量机的不等式约束．其实质是求解线性方程组，这极大地简化了计算的复杂性，提高了训练速度和测试速度。集成分类方法是将多个弱分类器通过一定的策略组装，充分利用多个弱分类器的特性，达到提高总的分类精度的目的。AdaBoost是集成分类方法中具有代表性的算法，将支持向量机(SVM)作为弱分类器的一种新的集成分类

7、算法[31(Ad飙t．SVM)已经得到了广泛应用。本文分别将改进的多核IS．SVM算法和AdaBoost．SVM算法应用于心脏单光子发射计算机化断层显像(singlephotonemissioncomputerizedtomography，SPECT)修改稿收到日期：2012—05—26。作者刘卫华(1987一)，女。现为兰州交通大学模式识别与智能系统专业在读硕士研究生：主要从事模式识别、机器学习等方向的研究工作。《自动化仪表》第34卷第5期2013年5月图像数据和iris数据的分类问题，并且给出分类的可视化效果图。试验结果表明。改进的多核KS．SVM算法

8、和AdaBoost—SVM算法都能取得较好的分类精度，且多核Is．