超平面支持向量机简化性能分析

doi:10.11959/j.issn.1000-0801.2015161

电信科学 ›› 2015, Vol. 31 ›› Issue (8): 78-83.doi: 10.11959/j.issn.1000-0801.2015161

超平面支持向量机简化性能分析

程辉¹,方景龙¹,王大全²,王兴起¹

¹ 杭州电子科技大学复杂系统建模与仿真教育部重点实验室杭州 310018
² 杭州电子科技大学信息工程学院杭州 310018

出版日期:2015-08-27 发布日期:2015-08-27
基金资助:
国防基础科研计划基金资助项目;国防技术基础科研计划基金资助项目;武器装备预研基金资助项目

Performance Analysis of Simplification of Hyperplane Support Vector Machine

Hui Cheng¹,Jinglong Fang¹,Daquan Wang²,Xingqi Wang¹

¹ Education Ministry Key Laboratory of Complex Systems Modeling and Simulation，Hangzhou Dianzi University，Hangzhou 310018，China
² Information Engineering School，Hangzhou Dianzi University，Hangzhou 310018，China

Online:2015-08-27 Published:2015-08-27
Supported by:
Defense Basic Research Program;Defense Technical Basic Research Program;Weapon Equipment Advance Research Program

摘要/Abstract

摘要：

与传统支持向量机相比，针对复杂分类问题的超平面支持向量机和针对高噪声数据回归问题的回归型超平面支持向量机，具有支持向量少、测试速度快、计算精度高的优点。然而对不同的样本集，超平面支持向量机的简化效果有所不同，仔细分析了这一现象的原因，得出在支持向量中非约束支持向量所占比率越低则超平面支持向量机简化效果越明显的结论。

关键词: 模式识别, 超平面支持向量机, 简化支持向量机, 性能分析

Abstract:

Comparing with traditional support vector machine，hyperplane support vector machine （HPSVM）and hyperplane support vector machine for regression（HPSVMR）not only reduce the number of support vectors and calculation time but also have comparable accuracy.However，they have different simplification effect on different problems.The reasons for this phenomenon were analyzed，the conclusion that the lower the percentage of non-bound support vectors is，the more obvious the effect of simplification was pointed out.

Key words: pattern recognition, hyperplane support vector machine, reduced support vector machine, performance analysis

程辉,方景龙,王大全,王兴起. 超平面支持向量机简化性能分析[J]. 电信科学, 2015, 31(8): 78-83.

Hui Cheng,Jinglong Fang,Daquan Wang,Xingqi Wang. Performance Analysis of Simplification of Hyperplane Support Vector Machine[J]. Telecommunications Science, 2015, 31(8): 78-83.

图/表 4

表1

表2

表3

图1

参考文献 12

1	Burges C J C . Simplified support vector decision rule. Proceedings of the 13th International Conference on Machine Learning， San Mateo，CA，USA， 1996： 71～77
2	Lin M K ， Lin J C . A study on reduced support vector machines. IEEE Transactions on Neural Networks， 2003，14（6）： 1449～1459
3	Shieh L H ， Kuo C C . A reduced data set method for support vector regression. Expert Systems with Applications， 2010，37（12）： 7781～7787
4	Lin H J ， Yeh J P . Optimal reduction of solutions for support vector machines. Applied Mathematics and Computation， 2009，214（2）： 329～335
5	Geebelen D ， Suykens J A K ， Vandewalle J . Reducing the number of support vectors of SVM classifiers using the smoothed separable case approximation. IEEE Transactions on Neural Networks and Learning Systems， 2012，23（4）： 682～688
6	Liang X ， Ma Y ， He Y ，et al. Fast pruning superfluous support vectors in SVMs. Pattern Recognition Letters， 2013，34（10）： 1203～1209
7	Severyn A ， Moschitti A . Fast support vector machines for convolution tree kernels. Data Mining and Knowledge Discovery， 2012，25（2）： 325～357
8	方景龙，陈铄，潘志庚等. 复杂分类问题支持向量机的简化. 电子学报， 2007，35（5）： 858～861 Fang J L ， Chen S ， Pan Z G ，et al. A simplification to support vector machine for complicated recognition problem. Acta Electronica Sinica， 2007，35（5）： 858～861
9	Fang J L ， Chen S ， Liang X W ，et al. An improved model of support vector machine for high noise data regression problem. Proceedings of the IET China Ireland International Conference on Information and Communications Technologies， Dublin，Ireland， 2007
10	Sch02lkopf B ， Burges C J C ， Smola A J . Advances in Kernel Methods：Support Vector Learning. Cambridge： MIT Press, 1998
11	Lee M ， Keerthi S ， Ong C ，et al. An efficient method for computing leave-one-out error in support vector machines with Gaussian kernels. IEEE Transactions on Neural Networks， 2004，15（3）： 750～757
12	全勇，杨杰，姚莉秀等. 基于连续过松弛方法的支持向量回归算法. 软件学报， 2004，15（2）： 200～206 Quan Y ， Yang J ， Yao X L ，et al. Successive over relaxation for support vector regression. Journal of Software， 2004，15（2）： 200～206

数据集	支持向量个数				计算时间/ms		计算精度
数据集	0＜α＜C	α=C	SVM	HPSVM1	SVM	HPSVM1	SVM	HPSVM1
A1a	27	758	785	63	13 688	1 844	82.67%	82.65%
A2a	23	1 082	1 105	72	18 937	1 954	83.46%	83.405%
A3a	39	1 412	1 451	87	3 734	1 000	83.55%	83.52%
A4a	40	2 051	2 091	97	7 390	1 141	83.74%	83.86%
A5a	52	2 662	2 714	111	28 234	1 891	84.06%	84.10%
A6a	55	4 422	4 477	156	24 297	1 719	84.06%	84.10%
A7a	68	6 251	6 319	184	39 703	1 782	84.43%	84.48%
A8a	59	8 668	8 727	225	3 657	500	84.87%	84.87%
A9a	83	12 082	12 165	265	18 141	1 375	84.89%	84.80%

数据集	支持向量个数				计算精度
数据集	0＜α＜C	α=C	SVM	HPSVM1	SVM	HPSVM1
Breast Cancer	9	35	44	10	82.67%	82.65%
Heart	23	46	69	25	83.46%	83.40%
German	213	161	374	215	75.94%	75.94%
Splice	565	0	565	565	78.71%	79.81%

数据集	ε	支持向量个数				均方误差
数据集	ε	0＜α＜C	α=C	SVM	HPSVMR1	SVM	HPSVMR1
Abalone	4	63	242	305	61	5.52%	5.33%
	3	71	486	557	70	4.56%	4.68%
	2	82	952	103 4	93	4.18%	4.27%
	1.5	92	138 3	147 5	97	4.17%	4.26%
	1	104	201 1	211 5	101	4.21%	4.30%

[1]	淡振雷,吴雪雯,欧阳键,汪萧萧,顾晨伟,林敏. 基于门限判断DF协议的多无人机中继传输中断性能分析[J]. 电信科学, 2020, 36(8): 103-111.
[2]	朱应钊,李嫚. 步态识别现状及发展趋势[J]. 电信科学, 2020, 36(8): 130-138.
[3]	步超伦,肖扬,叶通,吴鹏,张小建,吴军民. 随机访问网络后退避机制的性能分析[J]. 电信科学, 2016, 32(2): 34-40.
[4]	李陶深,张宏宇,叶进,葛志辉. 基于M/M/1的无线mesh网络网关分析模型[J]. 电信科学, 2015, 31(1): 2015044-.
[5]	李陶深,张宏字,叶进,葛志辉. 基于M/M/1的无线mesh网络网关分析模型[J]. 电信科学, 2015, 31(1): 58-64.
[6]	袁亘,刘通,施兆阳. 面向客户感知主动优化的异常小区分析方法研究[J]. 电信科学, 2014, 30(8): 159-165.
[7]	霍辰杰,陈树新,张衡阳. 协作通信中基于门限的译码算法性能研究[J]. 电信科学, 2013, 29(1): 97-102.

超平面支持向量机简化性能分析

Performance Analysis of Simplification of Hyperplane Support Vector Machine

在线阅读

PDF下载

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 4

参考文献 12

相关文章 7

Metrics

推荐阅读 0