基于模糊C-均值的相似性特征转换光滑支持向量机

方佳艳; 刘峤; 吴德; 秦志光

doi:10.3969/j.issn.0372-2112.2018.11.019

您当前的位置：

首页 >

文章列表页 >

基于模糊C-均值的相似性特征转换光滑支持向量机

学术论文 | 更新时间：2025-07-16

- 基于模糊C-均值的相似性特征转换光滑支持向量机
- Smooth Support Vector Machine with Similarity-Based Feature Transformation Technique and Fuzzy C-Means Clustering
- 电子学报 2018年46卷第11期页码：2714-2724
- 作者机构：
  
  1. 电子科技大学信息与软件工程学院,四川,成都,611731
  2. 网络与数据安全省级重点实验室(电子科技大学),四川,成都,611731
  3. 西安电子科技大学计算机学院,陕西,西安,710071
  4. 电子科技大学信息与软件工程学院,四川,成都,611731
  5. 网络与数据安全省级重点实验室(电子科技大学),四川,成都,611731
  6. 西安电子科技大学计算机学院,陕西,西安,710071
- 作者简介：
- 基金信息：
  
  国家863高技术研究发展计划 (No.2011AA010706）;国家自然科学基金重点项目 (No.61133016，No.61772117）;四川省高新技术及产业化面上项目 (No.2017GZ0308）
- DOI：10.3969/j.issn.0372-2112.2018.11.019
  中图分类号： TP181
- 网络出版：2018-11-25，
  
  纸质出版：2018
- 稿件说明：
移动端阅览
方佳艳, 刘峤, 吴德, 等. 基于模糊C-均值的相似性特征转换光滑支持向量机[J]. 电子学报, 2018,46(11):2714-2724.

FANG Jia-yan, LIU Qiao, WU De, et al. Smooth Support Vector Machine with Similarity-Based Feature Transformation Technique and Fuzzy C-Means Clustering[J]. Acta Electronica Sinica, 2018, 46(11): 2714-2724.
方佳艳, 刘峤, 吴德, 等. 基于模糊C-均值的相似性特征转换光滑支持向量机[J]. 电子学报, 2018,46(11):2714-2724. DOI： 10.3969/j.issn.0372-2112.2018.11.019.

FANG Jia-yan, LIU Qiao, WU De, et al. Smooth Support Vector Machine with Similarity-Based Feature Transformation Technique and Fuzzy C-Means Clustering[J]. Acta Electronica Sinica, 2018, 46(11): 2714-2724. DOI： 10.3969/j.issn.0372-2112.2018.11.019.

摘要

在用于非线性分类的光滑支持向量机（SSVM）模型中，核函数必须满足Mercer's条件，由此限制了核函数的选择范围；并且在面对大规模数据集时，SSVM模型的计算复杂度很高，训练时间长.针对这两点缺陷提出了基于模糊C-均值的相似性特征转换光滑支持向量机模型（SFT-SSVM-FCM）.首先，运用基于相似性的特征转换，使得核函数不需要再满足Mercer's条件，从而拓宽了核函数的选择范围；其次，运用模糊C-均值（FCM）分群技术，将完整的训练数据集划分成若干子簇，分别在每一个子簇上进行已经过相似性特征转换的SSVM模型训练.实验表明：与传统的SVM、SSVM模型及一系列变体模型相比较，该新模型在训练时间、分类精度方面都具有更好的表现.

Abstract

We propose a new model called smooth support vector machine with similarity-based feature transformation and fuzzy C-means (FCM) clustering (SFT-SSVM-FCM). When the similarity-based feature transformation technique is applied

Mercer's conditions are no longer required for kernel functions

thus broadening the range of usable kernel functions. We also incorporate the Fuzzy-C means clustering technique to divide a whole dataset into several clusters each of which is used to perform SSVM with similarity-based feature transformation. The experimental results indicate that the proposed model has better performance compared with the conventional SVM and SSVM model as well as some variants in terms of classification accuracy and training time.

关键词

Keywords

references

浏览量

320

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

SVD和小波变换的信号处理效果相似性及其机理分析

基于相似性灰关联的Curvelet域多聚焦图像融合