一种支持向量机的快速分类算法  

A fast decision algorithm of support vector machine

作　　者：张战成[1,3] 王士同[1,2] 邓赵红[1] 钟富礼[2] 

机构地区：[1]江南大学数字媒体学院,江苏无锡214122 [2]香港理工大学电子计算学系,中国香港 [3]中国科学院苏州纳米技术与纳米仿生研究所,江苏苏州215123

出　　处：《控制与决策》2012年第3期459-463,共5页Control and Decision

基　　金：国家自然科学基金项目(60903100,61103128);中央高校基本科研业务费专项资金项目(JUDCF09034)

摘　　要：鉴于传统支持向量机分类过程的计算量和支持向量的个数成正比,为了提高分类决策的速度,提出一种约简支持向量的快速分类算法,该算法对原始的支持向量进行特定比例的模糊均值聚类操作,按照分类误差最小的原则构建最小线性二乘回归模型,求解新的支持向量系数和决策函数的偏置.人造数据集和标准数据集上的实验表明,约简50%支持向量后,可以在保持分类精度在无统计意义的明显损失的前提下,使得分类速度提高50%.The number of support vectors（SVs） of support vector machine（SVM） is usually large, which results in a substantially slower classification speed than many other approaches. The less SVs means the more sparseness and the higher classification speed. Therefore, an algorithm called FD-SVM is proposed, which employs FCM to cluster a dense SVs set to a sparse set. Then, aiming to minimize the classification gap between SVM and FD-SVM, a linear least square programming model is built for obtaining the optimal coefficients of the new sparse SVs. Experiments on toy and real-world data sets demonstrate that, after reducing 50 % of SVs, an increase of 50 % on the classification speed is achieved, while the performance of losing maintains a statistically insignificant level.

关 键 词：分类 支持向量机 快速 

分 类 号：TP391.4[自动化与计算机技术—计算机应用技术]