优化局部鉴别的领域相关支持向量机-论文.pdf

《优化局部鉴别的领域相关支持向量机-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、小型微型计算机系统2014年l0月第1O期JournalofChineseComputerSystemsVo1．35No．102014优化局部鉴别的领域相关支持向量机任世锦，宋执环，凌萍。，杨茂云(浙江大学工业控制国家重点实验室，杭州310027)(江苏师范大学计算机学院，江苏徐州221l】6)E—mail：~ren_phd@163．tom摘要：利用数据集几何结构鉴别信息、未标记数据集等隐含先验信息是提高模式分类器性能的有效方法．实际数据集不仅具有多模态、含噪、高维等特性，而且训练数据集和测试数据集分布存在差异的现象，降低了支持向量机(Supportvector

2、machine，SVM)的性能．基于迁移学习、局部Fisher鉴别分析等方法，提出一种优化局部鉴别领域相关支持向量机算法．该方法提出一种基于维数约简的自适应距离度量学习方法，消除数据噪声以及冗余特征，更好地描述数据局部几何特性；通过把局部Fisher鉴别信息嵌入到SVM，提高了算法对多模态、不可分数据集的分类性能；把源数据集与目标数据集分布差异信息引入SVM目标函数中，解决了因训练数据与目标数据数量差别过大而导致传统SVM性能下降的问题．基于最小二乘SVM原理和8一dragging技术把本文方法扩展到多分类问题，保证算法的泛化性能，降低多分类器训练计算量．仿真结

3、果表示，本文方法具有良好的模式分类性能．关键词：支持向量机；领域相关；局部Fisher鉴别分析；距离度量学习；多分类中图分类号：TP391文献标识码：A文章编号：1000·1220(2014)10-2363-07AnOptimizedLocalDiscriminantDomain-specificSupportVectorMachineRENShi-jin，SONGZhihuan，LINGPing，YANGMao—yun(NationalLaboratoryofIndustrialControlTechnology。ZhejiangUniversity，Hang

4、zhou310027，China)(Schoolofcomputerscience&technology，JiangsuNormalUniversity。Xuzhou221116，China)Abstract：TheperformanceofthepatternclassifierCallbesignificantlyenhancedbyincorporatinginformationhiddeningeometricstructureofthedataset，unlabeleddataset．Inrealworldpractices，theperformanc

5、eofsupportvectormachine(SVM)degradesduetothedistributiondiscrepancybetweensourceandtargetdomains，multimodality，noisesandhighdimensionalityofthedata．Basedondistancemeasurelearning，transferlearningandlocalFisherdiscriminantanalysistheories，anoptimizedlocaldiscriminantdomain—spe—cificsu

6、pportvectormachine(OLDDSVM)isdevelopedinthispaper．Adimensionalityreductionbaseddistancemeasurelearningmethodisproposedtoeliminatenoisesandredundantfeaturesofhigh-dimensiondata。beRercapturingthelocalgeometricalstructureofthedataset．Theclassificationperformanceoftheproposedmethodisenha

7、ncedonmultimodalandunseparateddatasetbyincorpora．tingthelocaldiscriminantgeometricinformationintoSVM．Thedistributiondiscrepancybetweenthesourced0mainandtargetdomainasaregularizationtermisaddedintotheobjectivefunctionofSVM．Therefore，theproblemthatthedegradingperformanceofSVMresultsfro

8、mthenumberof