<ruby id="26blz"></ruby>
    1. <pre id="26blz"></pre>
    2. 久久夜色精品国产网站,丁香五月网久久综合,国产特色一区二区三区视频,无码一区二区三区视频,国产成人精品无缓存在线播放,视频区 国产 图片区 小说区,精品一区二区三区日韩版,国模雨珍浓密毛大尺度150p
      首頁 > 文章中心 > 正文

      透析基于SVM的信息融合新方法

      前言:本站為你精心整理了透析基于SVM的信息融合新方法范文,希望能為你的創作提供參考價值,我們的客服老師可以幫助你提供個性化的參考范文,歡迎咨詢。

      透析基于SVM的信息融合新方法

      摘要:利用SVM對大規模數據進行訓練時,需要占用很大的內存空間,甚至會因內存不夠而無法訓練。為此,提出了將大規模數據分塊求解,然后將分塊求解的結果進行信息融合的新方法。首先訓練得到各模塊的支持向量,將所有支持向量進行融合,得到決策模型和一組支持向量。當有新的數據加入時,將其作為一個子模塊,訓練得到該模塊的支持向量,與原模型中獲得的支持向量進行融合,訓練得到新的決策模型。利用KDDCUP99數據進行實驗,結果表明該方法的測試精度與在所有數據集上訓練的精度相當,花費時間少,適用于增量學習。

      關鍵詞:支持向量機;信息融合;增量學習

      SVM[1,2]是最近發展起來的一種分類方法。它基于統計學習理論,根據結構風險最小化原則,在經驗風險和模型的復雜度之間折中,有較強的泛化能力,且具有全局最優、與維數無關等特性。當數據線性不可分時,通過核函數,將數據映射到高維特征空間,使得數據線性可分。它本質上是一個凸二次規劃問題,當訓練規模很大時,求解此最優化問題要占用很大的內存空間,會因內存空間不夠而導致無法訓練。解決此類問題的有效方法是將大規模數據進行分塊,然后將各模塊的信息進行融合,從而得到最終結果。

      信息融合[3]又稱數據融合,是利用計算機技術對獲得的若干節點的觀測信息在一定準則下加以自動分析、綜合以完成所需的決策和估計任務而進行的信息處理過程。文獻[4]提出了用神經網絡的方法來實現信息融合,在預測精度上獲得較好的效果。svm是繼神經網絡后,分類性能較好的一種技術。它在信息融合領域也逐漸得到應用,文獻[5~7]提出了多種基于SVM的信息融合方法,用各模塊訓練得到的模型對測試集進行判別,然后融合各模型的判別結果。但這些方法不適合增量學習。當有新的數據源加入時,融合模塊需重新執行。

      決策輸出融合方法和投票數融合方法用各模塊訓練得到的分類器對測試集進行判別,再根據判別結果進行融合,分類精度上不如后兩種方法,所花費的時間也較多。而且這兩種方法在增量學習中要對信息融合模塊重新處理,不能有效利用已有的信息。

      對支持向量直接融合的方法在精度、漏報率和誤報率上均與在所有數據集上得到的結果相接近。說明在分類中起作用的只是其中占少數的支持向量,如表3所示。每個模塊得到的支持向量是很少的,大約占0.6%。所以信息融合模塊的規模相對較小,花費時間少。本文提出的方法預測精度甚至超過了對所有支持向量融合的結果,與在所有數據集上得到的結果最接近。說明本文方法在增量式學習中是有效的,具有較好的泛化能力。

      4結束語

      隨著網絡和數據庫技術的發展,對大規模數據處理的要求會越來越高。本文在研究了現有的基于SVM的信息融合方法的基礎上,提出了一種新的基于SVM融合的模型。通過實驗表明,這種方法在入侵檢測問題中得到了較高的分類精度,與在所有數據或所有支持向量上預測得到的精度相當,而且與其他信息融合方法相比,能利用已經融合的信息,進行增量式學習。但如何使數據分解后仍保證它的全局最優及如何推廣到分布式應用仍有待解決。

      參考文獻:

      [1]VAPIKV.統計學習理論的本質[M].張學工,譯.北京:清華大學出版社,2000.

      [2]BURGESCJC.Atutorialonsupportvectormachinesforpatternrecognition[J].DataMiningandKnowledgeDiscovery,1998,2(2):121-167.

      [3]HALLDL,LLINASJ.Anintroductiontomultisensordatafusion[J].ProceedingsofIEEE,1997,85(1):6-23.

      [4]WANGMei,HOUYuanbin.Neuralnetworkmodelbasedonanti-errordatafusion[C]//Procofthe4thInternationalConferenceonMachineLearningandCybernetics.[S.l.]:IEEEPress,2005:18-21.

      [5]YANWeiwu,SHAOHuihe,WANGXiaofan.Paralleldecisionmodelsbasedonsupportvectormachinesandtheirapplicationtodistributedfaultdiagnosis[C]//ProcofAmericanControlConference.Denver:[s.n.],2003:1770-1775.

      [6]ZHAOShuhe.Remotesensingdatafusionusingsupportvectormachine[C]//Procof2004GeoscienceandRemoteSensingSymposium.Anchorage:[s.n.],2004:2575-2578.

      [7]HUZhonghui,CAIYunze,LIYuangui,etal.Datafusionforfaultdiagnosisusingmulticlasssupportvectormachines[J].JournalofZhejiangUniversityScience,2005,6A(10):1030-1039.

      [8]PLATTJC.Fasttrainingofsupportvectormachinesusingsequentialminimaloptimization[C]//ProcofAdvancesinKernelMethods:SupportVectorLearning.Cambridge:MITPress,1999:185-208.

      [9]HSUCW,LINCJ.Acomparisonofmethodsformulticlasssupportvectormachines[J].IEEETransactionsonNeuralNetworks,2002,46(13):415-425.

      [10][DB/OL].[2006].kdd.ics.uci.edu/databases/kddcup99/kddcup99.html

      [11]CHANGCC,LINCJ.LIBSVM:alibraryforsupportvectormachines[EB/OL].[2006].www.csie.ntu.edu.tw/~cjlin/libsvm/.

      主站蜘蛛池模板: 福利一区二区不卡国产| 7m精品福利视频导航| 国产高清在线不卡一区| 天天天做夜夜夜做无码| 亚洲熟妇精品一区二区| 丰满少妇高潮惨叫久久久| 普安县| 99在线精品视频观看免费| 亚洲综合小综合中文字幕| 毛片无遮挡高清免费| 国产99久一区二区三区a片| 国内揄拍国内精品人妻久久| 亚洲一区二区三区自拍天堂| 免费人成视频在线观看网站| 天堂中文在线资源| 国产高清精品在线一区二区 | 国产一区日韩二区三区| av无码av无码专区| 国产精品无码a∨麻豆| 亚洲码国产精品高潮在线| 亚洲高清国产拍精品熟女| 亚洲日本欧美日韩中文字幕| 亚洲国产成熟视频在线多多| 亚洲天堂在线观看完整版| 国产jlzzjlzz视频免费看| 制服 丝袜 亚洲 中文 综合| 精品国产这么小也不放过| 久久无码高潮喷水| 国产尤物精品自在拍视频首页| 亚洲人成网站观看在线观看| 国产综合色精品一区二区三区| 国产欧美日韩亚洲一区二区三区 | 日韩精品国产二区三区| 国产精品久久久久无码网站| 国产精品久久久久无码网站| 亚洲国产成人不卡高清麻豆 | 亚洲女同精品久久女同| 五月婷久久麻豆国产| 国产精品午夜精品福利| 宅男噜噜噜66在线观看| 91色老久久精品偷偷蜜臀|