计算机科学与探索

作者：程凤伟，王文剑

单位：1. 太原学院 计算机工程系，太原 030032 2. 山西大学 计算机与信息技术学院，太原 0300063. 山西大学 计算智能与中文信息处理教育部重点实验室，太原 030006

关键词：粒中心,近邻传输,混合度,分类性能

传统粒度支持向量机（GSVM）模型可以有效提高支持向量机（SVM）的学习效率，但因其对初始粒划参数比较敏感，粒中心的选取比较粗糙，会损失一定的泛化能力。提出一种基于近邻传输的粒度支持向量机学习算法（APG_SVM）。首先在训练数据上采用近邻传输思想选取一组高质量的更具有代表性的粒中心加入到训练集，再根据粒中样本的混合度及粒中心到超平面的距离对训练集进行优化，生成最终训练集，然后进行训练，这样可使GSVM具有更好的泛化能力。在UCI标准数据集上的实验结果表明，与传统的粒度支持向量机相比，该算法分类效率有明显提高，在几个数据集上的正确率相对稳定，获得了较好的分类性能。

来源：2020年第7期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2020年第7期