多类支撑向量机算法比较研究  

Comparison of Multi-class SVMs Methods

作　　者：后斌[1] 黎景良[2] 

机构地区：[1]武汉大学遥感信息工程学院,湖北武汉430079 [2]广东省佛山市国土资源局顺德分局,广东佛山528333

出　　处：《武汉理工大学学报（信息与管理工程版）》2008年第5期673-677,684,共6页Journal of Wuhan University of Technology：Information & Management Engineering

基　　金：国家973计划资助项目(G19990544400)

摘　　要：统计学理论第一次系统地研究了在样本有限的情况下的机器学习问题。提出了一种能够根据样本数量合理地控制分类器的推广能力的一种模型选取原则,即结构风险最小化原则。支撑向量机(SVM s)是在该理论框架下产生的一种通用学习方法。通过对现有多类支撑向量机的系统分析,发现层次型支撑向量机BT-SVM s可以实现相对高效的多类分类,并对算法的改进提出了建议。Statistical Learning Theory （ SLT）, the first theory that systematically studies the problem of machine learning with small size samples, presents a new inductive principle, structural risk minimization（SRM） principle, which tells us how to select the suitable classification model according to sample amount so as to obtain high generalization ability. Support vector machine （SVM） is a new commonly used machine learning method based on SRM. Some suggestions to the improvement of the method were provided. The systematically analysis of the existing multi -class SVMs（ M -SVMs） methods shows that hierarchy multi - class SVMs, BT- SVMs can be relatively effective in multi -class classification.

关 键 词：分类器 多类支撑向量机 SVMS BT—SVMs 

分 类 号：TP181[自动化与计算机技术—控制理论与控制工程]