大数据中边界向量调节熵函数支持向量机研究

林蔚; 刘婷; 吕伟国

Chinese

您当前的位置：

首页 >

文章列表页 >

大数据中边界向量调节熵函数支持向量机研究

更新时间：2026-09-04

- 大数据中边界向量调节熵函数支持向量机研究
- Support Vector Machine Based on Boundary Vectors Adjustable Entropy Function
- 微电子学与计算机 2016年33卷第8期页码：149-152
- 作者机构：
  
  哈尔滨工程大学理学院,黑龙江,哈尔滨,150001
- 作者简介：
- 基金信息：
  
  中央高校基本科研业务费专项基金资助项目 HEVCF20111119黑龙江省博士后基金资助项目 3236301158
- DOI：
  中图分类号：
- 纸质出版：2016
- 稿件说明：
移动端阅览
林蔚, 刘婷, 吕伟国. 大数据中边界向量调节熵函数支持向量机研究[J]. 微电子学与计算机, 2016, 33(8): 149-152, 157.

LIN Wei, LIU Ting, LV Wei-guo. Support Vector Machine Based on Boundary Vectors Adjustable Entropy Function[J]. 2016, 33(8): 149-152.
林蔚, 刘婷, 吕伟国. 大数据中边界向量调节熵函数支持向量机研究[J]. 微电子学与计算机, 2016, 33(8): 149-152, 157. DOI：

LIN Wei, LIU Ting, LV Wei-guo. Support Vector Machine Based on Boundary Vectors Adjustable Entropy Function[J]. 2016, 33(8): 149-152. DOI：

摘要

当训练集的规模很大时

一般的支持向量机的学习过程需要占用大量的内存

寻优速度缓慢

不利于实际应用.提出了一种预抽取支持向量的支持向量机调节熵函数法.首先

利用两凸包相对边界向量方法预抽取出边界向量; 然后

利用支持向量机调节熵函数法来训练预抽取的边界向量.实验表明

采用这种方法来训练样本集不仅降低了学习的代价

还提高了分类速度.

Abstract

When the size of the training set is large

learning process in general support vector machines take a lot of memory

optimizing slow

is not conducive to practical application. This paper presents a boundary vector-based SVM adjustable entropy function method. First

we use two methods convex hull boundary vectors relative pre-extracted boundary vectors; Then

to train pre-drawn boundary vectors in SVM adjustable entropy method. Experiments show that this method not only reduces the training sample set the price of learning

but also improve the classification rate.

关键词

Keywords

references

O L Mangasarian. Mathematical programming in data mining[J]. Data Mining and Konuolodge Discorery, 1997, 2(1): 183-201. DOI: 183

New York V N Vapnik. The Nature of Statistical Learning Theory[M]. New York: Springer, 2000: 25-46. DOI: 25

于航. 基于支持向量机模型的股指期货高频交易策略研究[D]. 北京: 北京理工大学, 2015: 1-48.

张敏. 云计算环境下的并行数据挖掘策略研究[D]. 南京: 南京邮电大学, 2011: 1-60.

邬伟杰. 基于支持向量机的指纹识别技术与实现方法研究[D]. 上海: 华东理工大学, 2015: 1-50.

郑盼丽, 戴牡红. 自动数据挖掘算法[J]. 计算机系统应用, 2012, 21(11): 218-221, 193. DOI: 218

李兴斯. 一类不可微优化问题的有效解法[J]. 中国科学(A辑), 1994, 24(4): 371-377. DOI: 371

陶卿, 孙德敏, 范劲松, 等. 基于闭凸包收缩的最大边缘线性分类器[J]. 软件学报, 2002, 13(3): 404-409. DOI: 404

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

多属性加权的模糊 c 均值聚类算法

基于模糊关联规则的海量数据挖掘方法研究

基于N-list的并行频繁项集挖掘算法

灭火指挥数据挖掘研究

基于云计算技术的数据挖掘