期刊文章详细信息
文献类型:期刊文章
机构地区:[1]重庆邮电大学人工智能研究所,重庆市400065
基 金:"973"计划前期研究项目(2008CB317111);国家自然科学基金项目(60873079);重庆市自然科学基金项目(2008BB2241);重庆市教委科学技术研究项目资助
年 份:2008
卷 号:20
期 号:6
起止页码:706-709
语 种:中文
收录情况:CSA、CSA-PROQEUST、IC、INSPEC、JST、RCCSE、ZGKJHX、普通刊
摘 要:支持向量机(SVM)算法往往由于分类面过分复杂或过学习而导致其泛化能力降低,现有的最近邻(NN-SVM)或K近邻(K-NN-SVM)方法解决了这类样本问题,但算法时间复杂度高,处理海量样本的能力有限。在NN-SVM算法的基础上引入了网格概念,提出了G-NN-SVM算法,该算法先对空间进行分块,然后在空间块内计算样本距离,找出最近邻,并结合分块序列最小优化算法(SMO)进行了算法实现。实验表明,该方法降低了计算复杂度,它在保持分类精度的同时,提高了训练和分类的速度,并具有较强的泛化能力,从而提高了原NN-SVM算法的海量数据处理能力。
关 键 词:支持向量机(SVM) 最近邻 网格 NN—SVM算法
分 类 号:TP391]
参考文献:
正在载入数据...
二级参考文献:
正在载入数据...
耦合文献:
正在载入数据...
引证文献:
正在载入数据...
二级引证文献:
正在载入数据...
同被引文献:
正在载入数据...