高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

特征加权支持向量机

汪廷华 田盛丰 黄厚宽

汪廷华, 田盛丰, 黄厚宽. 特征加权支持向量机[J]. 电子与信息学报, 2009, 31(3): 514-518. doi: 10.3724/SP.J.1146.2007.01711
引用本文: 汪廷华, 田盛丰, 黄厚宽. 特征加权支持向量机[J]. 电子与信息学报, 2009, 31(3): 514-518. doi: 10.3724/SP.J.1146.2007.01711
Wang Ting-hua, Tian Sheng-feng, Huang Hou-kuan. Feature Weighted Support Vector Machine[J]. Journal of Electronics & Information Technology, 2009, 31(3): 514-518. doi: 10.3724/SP.J.1146.2007.01711
Citation: Wang Ting-hua, Tian Sheng-feng, Huang Hou-kuan. Feature Weighted Support Vector Machine[J]. Journal of Electronics & Information Technology, 2009, 31(3): 514-518. doi: 10.3724/SP.J.1146.2007.01711

特征加权支持向量机

doi: 10.3724/SP.J.1146.2007.01711
基金项目: 

国家973规划项目(2007CB307100,2007CB307106)和北京交通大学科技基金(2006XM007)资助课题

Feature Weighted Support Vector Machine

  • 摘要: 该文针对现有的加权支持向量机(WSVM)和模糊支持向量机(FSVM)只考虑样本重要性而没有考虑特征重要性对分类结果的影响的缺陷,提出了基于特征加权的支持向量机方法,即特征加权支持向量机(FWSVM)。该方法首先利用信息增益计算各个特征对分类任务的重要度,然后用获得的特征重要度对核函数中的内积和欧氏距离进行加权计算,从而避免了核函数的计算被一些弱相关或不相关的特征所支配。理论分析和数值实验的结果都表明,该方法比传统的SVM具有更好的鲁棒性和分类能力。
  • 加载中
计量
  • 文章访问数:  4558
  • HTML全文浏览量:  184
  • PDF下载量:  3211
  • 被引次数: 0
出版历程
  • 收稿日期:  2007-10-31
  • 修回日期:  2008-04-07
  • 刊出日期:  2009-03-19

目录

    /

    返回文章
    返回