模式识别与人工智能
2025年4月3日 星期四   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2013, Vol. 26 Issue (5): 474-480    DOI:
研究与应用 最新目录| 下期目录| 过刊浏览| 高级检索 |
坐标下降l2范数LS-SVM分类算法
刘建伟1,付捷1,汪韶雷2,罗雄麟1
1.中国石油大学北京自动化系北京102249
2.中国石油吐哈油田分公司温米采油厂鄯善838202
Classification Algorithm of l2-norm LS-SVM via Coordinate Descent
LIU Jian-Wei1,FU Jie1,WANG Shao-Lei2,LUO Xiong-Lin1
1.Department of Automation,China University of Petroleum,Beijing 102249
2.Wenmioil Production Plant of Tuha Oilfield Branch,China National Petroleum Corporation,Shanshan 838202

全文: PDF (412 KB)   HTML (0 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 研究l2范数正则化最小二乘支持向量机的坐标下降算法实现.在图像处理、人类基因组分析、信息检索、数据管理和数据挖掘中经常会遇到机器学习目标函数要处理的数据无法在内存中处理的场景.最近研究表明大规模线性支持向量机使用坐标下降方法具有较好的分类性能,在此工作基础上,文中扩展坐标下降方法到最小二乘支持向量机上,提出坐标下降l2范数LS-SVM分类算法.该算法把LS-SVM目标函数中模型向量的优化问题简化为特征分量的单目标逐次优化问题.在高维小样本数据集、中等规模数据集和大样本数据集上的实验验证了该算法的有效性,与LS-SVM分类算法相比,在数据内存中无法处理的情况下可作为备用方法.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
刘建伟
付捷
汪韶雷
罗雄麟
关键词 l2范数正则化最小二乘支持向量机坐标下降大规模数据集    
Abstract:The coordinate descent approach for l2 norm regulated least square support vector machine is studied. The datasets involved in the objective function for machine learning have larger data scale than the memory size has in image processing,human genome analysis,information retrieval,data management,and data mining. Recently,the coordinate descent method for large-scale linear SVM has good classification performance on large scale datasets. In this paper, the results of the work are extended to the least square support vector machine,and the coordinate descent approach for l2 norm regulated least square support vector machine is proposed. The vector optimization of the LS-SVM objective function is reduced to single variable optimization by the proposed algorithm. The experimental results on high-dimension small-sample datasets,middle-scale datasets and large-scale datasets demonstrate its effectiveness. Compared to the state-of-the-art LS-SVM classifiers,the proposed method can be a good candidate when data cannot fit in memory.
Key wordsl2 Norm Regularization    Least Square Support Vector Machine    Coordinate Descent    Large Scale Datasets   
收稿日期: 2012-02-13     
ZTFLH: TP183  
基金资助:国家国家重点基础研究发展计划项目(No.2012CB720500)、国家重点基础研究发展计划项目(No.2012CB720500)资助
作者简介: 刘建伟(通讯作者),男,1966年生,博士,研究员,主要研究方向为智能信息处理、复杂系统分析、预测与控制、算法分析与设计.E-mail:liujw@cup.edu.cn.付捷,女,1987年生,硕士研究生,主要研究方向为机器学习.汪韶雷,男,1983年生,高级工程师,主要研究方向为智能信息处理.罗雄麟,男,1963年生,博士,教授,主要研究方向为智能控制.
引用本文:   
刘建伟,付捷,汪韶雷,罗雄麟. 坐标下降l2范数LS-SVM分类算法[J]. 模式识别与人工智能, 2013, 26(5): 474-480. LIU Jian-Wei,FU Jie,WANG Shao-Lei,LUO Xiong-Lin. Classification Algorithm of l2-norm LS-SVM via Coordinate Descent. , 2013, 26(5): 474-480.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2013/V26/I5/474
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn