添加Universum数据的最小二乘投影双支持向量机

doi:10.3969/j.issn.1000-1565.2016.01.015

河北大学学报(自然科学版) ›› 2016, Vol. 36 ›› Issue (1): 94-99.DOI: 10.3969/j.issn.1000-1565.2016.01.015

添加Universum数据的最小二乘投影双支持向量机

鲁淑霞¹,佟乐¹,朱晨旭²

收稿日期:2015-07-01 出版日期:2016-01-25 发布日期:2016-01-25
作者简介:鲁淑霞(1966—),女,河北保定人,河北大学教授,博士,主要从事机器学习研究. E-mail:cmclusx@126.com
基金资助:
国家自然科学基金资助项目(61170040);河北省自然科学基金资助项目(F2015201185;F2013201220)

Least squares projection twin support vector machine with universum

LU Shuxia¹,TONG Le¹,ZHU Chenxu²

1.College of Mathematics and Information Science, Hebei University, Baoding 071002, China; 2.College of Science, Northwest Agriculture & Forestry University, Yangling 712100, China

Received:2015-07-01 Online:2016-01-25 Published:2016-01-25

摘要/Abstract

摘要： 通过添加Universum数据,引入了与分类样本无关的样本,并借此引入了先验域信息,构建了添加Universum数据的最小二乘投影双支持向量机(ULSPTSVM).此外,还将方法扩展到递归学习方法,用于进一步提高ULSPTSVM的分类性能.实验表明,ULSPTSVM方法可以直接减少带有Universum数据的双支持向量机(USVM)方法的训练时间,而且在多数情况下ULSPTSVM方法的测试精度优于最小二乘投影双支持向量机(LSPTSVM)方法的测试精度.

关键词: Universum数据, 支持向量机, 双支持向量机, 投影

Abstract: A new algorithm is constructed,called least squares projection twin support vector machine with Universum(ULSPTSVM).By adding Universum data,samples are introduced which have no relation with the samples of classification,which have a priori domain information.In addition,in order to further enhance the performance of ULSPTSVM,the method is extended to recursive learning method.Experiments show that ULSPTSVM can directly improve the training time of twin support vector machine with Universum(UTSVM),and in most cases the experimental accuracy is better than least squares projection twin support vector machine(LSPTSVM).

Key words: Universum data, support vector machine, twin support vector machine, projection

中图分类号:

TP391.4

鲁淑霞,佟乐,朱晨旭. 添加Universum数据的最小二乘投影双支持向量机[J]. 河北大学学报(自然科学版), 2016, 36(1): 94-99.

LU Shuxia,TONG Le,ZHU Chenxu. Least squares projection twin support vector machine with universum[J]. Journal of Hebei University (Natural Science Edition), 2016, 36(1): 94-99.

参考文献

[1] WESTON J,COLLOBERT R,SINZ F,et al.Inference with the Universum[Z].The 23rd International Conference on Machine Learning,Pittsburgh,2006.
[2] CHERKASSKY V,DHAR S,DAI W.Practical conditions for effectiveness of the universum learning[J].IEEE Transactions on Neural Networks,2011,22(8):1241-1255.DOI:10.1109/TNN.2011.2157522.
[3] SINZ F H,CHAPELLE O,AGARWAL A,et al.An analysis of inference with the universum[Z].The 21st Annual Lonference Neural Information Processing Systems,Vancouver,2008.
[4] CHEN S,ZHANG C.Selecting informative universum sample for semisupervised learning[Z].The International Joint Conference on Artificial Intelligent,Pasadna,2009.
[5] SHEN C,WANG P,SHEN F,et al.Uboost:Boosting with the universum[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,2012,34(4):825-832.DOI:10.1109/TPAMI.2011.240.
[6] JAYADEVA R,KHEMCHANDANI S,CHANDRA.Twin support vector machines for pattern classification[J].IEEE Transactions on Pattern Analysis and Machine Intellegence,2007,29(5):905-910.DOI:10.1109/TPAMI.2007.1068.
[7] KUMAR M A,GOPAL M.Application of smoothing technique on twin support vector machines[J].Pattern Recognition Letters,2008,29(13):1842-1848.DOI:10.1016/j.patrec.2008.05.016.
[8] SHAO Y H,ZHANG C H,WANG X B,et al.Improvements on twin support vector machines[J].IEEE Transactions on Neural Networks,2011,22(6):962-968.DOI:10.1109/TNN.2011.2130540.
[9] QI Z Q,TIAN Y J,SHI Y.Twin support vector machine with Universum data[J].Neural Networks,2012,36:112-119.DOI:10.1016/j.neunet.2012.09.004.
[10] SHAO Y H,DENG N Y,YANG Z M.Least square recursive projection twin support vector machine for classification[J].Pattern Recognition,2012,45:229-2307.DOI:10.1016/j.patcog.2011.11.028.
[11] DING S F,HUA X P.Recursive least square projection twin support vector machine for nonlinear classification[J].Neurocomputing,2014,134:3-9.DOI:10.1016/j.neucom.2013.02.046.
[12] MUSICANT D R.NDC:Normally Distributed Clustered Datasets[EB/OL].(1998-01-01)[2015-06-05].1998 <www.cs.wisc.edu/dmi/svm/ndc/>.

[1]	郭亮,郭子雪,贾洪涛,范若禹. 基于皮尔逊相关系数与SVM的居民窃电识别[J]. 河北大学学报(自然科学版), 2023, 43(4): 357-363.
[2]	黄元生,田立霞,孙仕泽,邓佳佳,赵恒凤. 基于改进支持向量机的轨道交通光伏发电预测[J]. 河北大学学报(自然科学版), 2021, 41(3): 238-244.
[3]	李凯,李洁. 基于pinball损失的一对一加权孪生支持向量机[J]. 河北大学学报(自然科学版), 2020, 40(6): 647-656.
[4]	董斌,王云涛,贾立男,王娅南. 改进的PSO优化SVM的病理图像分类算法[J]. 河北大学学报(自然科学版), 2020, 40(5): 543-551.
[5]	鲁淑霞,张罗幻, 蔡莲香,孙丽丽. 带有方差减小的加权零阶随机梯度下降算法[J]. 河北大学学报(自然科学版), 2019, 39(5): 536-546.
[6]	张小可,杨昆,陈锦涛,薛林雁,李晓苇. 基于投影空间的CT射束硬化校正方法[J]. 河北大学学报(自然科学版), 2018, 38(6): 648-655.
[7]	李凯,翟璐璐,崔丽娟. 基于样本权重的v -支持向量机[J]. 河北大学学报(自然科学版), 2018, 38(2): 185-193.
[8]	司文静,封喜波,耿立艳,张占福. 基于ADPSO算法优化LSSVM的高速公路交通量预测方法[J]. 河北大学学报(自然科学版), 2017, 37(3): 302-308.
[9]	高学伟,付忠广,孙力,张刚. 基于Hadoop分布式支持向量机球磨机大数据建模[J]. 河北大学学报(自然科学版), 2017, 37(3): 309-315.
[10]	李凯,顾丽凤,张雷. 引入结构信息的模糊支持向量机[J]. 河北大学学报(自然科学版), 2017, 37(2): 187-193.
[11]	陈昀,毕海岩. 基于多特征融合的中文评论情感分类算法[J]. 河北大学学报(自然科学版), 2015, 35(6): 651-656.
[12]	李凯,胡少方,王亮,董华,许建忠. 基于迭代方法的模糊孪生支持向量机[J]. 河北大学学报(自然科学版), 2015, 35(4): 399-404.
[13]	肖仙谦,朱俊平,景旭,马巧娥. 基于贝叶斯方法的单分类入侵检测技术[J]. 河北大学学报(自然科学版), 2014, 34(1): 7-13.
[14]	张玉敏,张国春,刘英. Hilbert空间中关于松弛协强制映射的广义变分不等式组[J]. 河北大学学报(自然科学版), 2012, 32(5): 453-457.
[15]	邓佳佳,刘爽. 基于免疫模糊聚类的LSSVM在短期负荷预测中的应用[J]. 河北大学学报(自然科学版), 2012, 32(3): 234-239.

添加Universum数据的最小二乘投影双支持向量机

Least squares projection twin support vector machine with universum

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价