APP下载

ELMs和SVMs在多分类问题上的泛化性能比较

2019-10-21卢欣欣潘丽平

计算机应用与软件 2019年10期
关键词:分类

卢欣欣 潘丽平

1(周口师范学院计算机科学与技术学院 河南 周口 466001)2(农产品质量安全追溯技术河南省工程实验室 河南 周口 466001)3(周口科技职业学院 河南 周口 466001)

0 引 言

由于科技的飞速发展,猛增的数据量和大幅提升的计算性能使得多分类问题越来越多地代替二分类问题,并在文本分类识别[1]、语音识别[2]、医学图像识别[3]等方面取得了良好的应用前景,已经成为模式识别、数据挖掘等领域的重要研究内容。

SVM是Vapnik[4]基于统计学习理论提出的最优间隔分类器,其良好的泛化能力、全局最优解和解决非线性问题的能力使其成为应用最为广泛的分类器[5-6]。但原始SVM并不适用于多分类问题,Weston[7]最先改进SVM使其成功应用在多分类问题中。最小二乘支持向量机(LSSVM)[8]是SVM的简化和改进形式,避免了原始SVM求解二次规划的问题,提高了训练速度,Suykens[9]将LSSVM扩展到多分类问题中。

ELM是Huang[10]提出的一种快速算法,它将隐层节点权值随机确定,只需计算输出层权值,从而大大加快了网络的训练速度,并且ELM本质上可直接应用于多分类问题,因而取得了广泛应用[11-13]。核极限学习机(KELM)是Huang[14]为解决ELM结果具有随机性而提出了基于核函数的改进算法,在遥感图像分类[15]、基因检测[16]等方面取得了良好的分类效果。

由文献[17]可知:ELM和SVM均是基于单隐含层前馈神经网络框架,而LSSVM是ELM简化的框架结构;ELM通过最小平方优化法可扩展为SVM网络,且具有更好的泛化性能。ELMs和SVMs均可实现相当的分类准确率,但在不同的问题条件下也表现出不同的特性[18-19]。……

登录APP查看全文

猜你喜欢

分类
分类算一算
垃圾分类的困惑你有吗
星星的分类
我给资源分分类
垃圾分类,你准备好了吗
按需分类
教你一招:数的分类
说说分类那些事
给塑料分分类吧