主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第10期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
胡文军,王士同,王娟,颜七笙.最大间隔对数向量机.软件学报,2012,23(12):3059-3073
最大间隔对数向量机
Maximum Margin Logistic Vector Machine
投稿时间:2011-03-27  修订日期:2012-03-19
DOI:10.3724/SP.J.1001.2012.04209
中文关键词:  分类  最大间隔  对数向量机  核分类器  密度差
英文关键词:classification  maximum margin  logistic vector machine  kernel classifier  difference of densities
基金项目:国家自然科学基金(61170122, 61272210); 江苏省自然科学基金(BK2011003, BK201141); 江苏省“333 专家”工程(BRA2011142); 江西省自然科学基金(20114BAB201022); 2011 年、2012 年江苏省普通高校研究生科研创新计划
作者单位E-mail
胡文军 江南大学 数字媒体学院,江苏 无锡 214122
湖州师范学院 信息与工程学院,浙江 湖州 313000 
hoowenjun@yahoo.com.cn 
王士同 江南大学 数字媒体学院,江苏 无锡 214122  
王娟 湖州师范学院 信息与工程学院,浙江 湖州 313000  
颜七笙 江南大学 数字媒体学院,江苏 无锡 214122
东华理工大学 数学与信息科学学院,江西 抚州 344000 
 
摘要点击次数: 2571
全文下载次数: 2599
中文摘要:
      通过ISE 准则逼近真实密度差的L2-核分类器没有显式地考虑到分类间隔,在一定程度上不利于提高分类器精度;同时,权向量的求解最终转化为一个二次规划问题,导致L2-核分类器训练速度较慢,特别是对于较大样本.基于这两个问题,利用样本间的密度差构造了分类间隔并最大化此间隔,而此问题最终转化为一个对数优化问题,故称其为最大间隔对数向量机(maximum margin logistic vector machine,简称MMLVM),进而利用梯度下降法求解最优权.同时,分别从权的全局最优性、一般化误差界及算法复杂度这3 方面进行了理论分析.最后,人工和UCI,PIE 及USPS 数据集的实验结果表明,算法理论正确,解决了上述两个问题并获得了较好的效果.
英文摘要:
      The L2-kernel classifier does not consider explicitly its classification margin when approximating the difference of densities (DoD) with the integrated squared error (ISE) criterion of probability densities, which is disadvantageous for improving the performance of classifiers to a certain extent. Its weights can simply be obtained by solving the corresponding QP problem which results in the comparatively slow training speed and is impractical especially for large datasets. With the aim of overcoming the above drawbacks, a new classification method is proposed in this paper, called the maximum margin logistic vector machine (MMLVM), which maximizes the DoDbased classification margin and finds the corresponding weight vector by solving a logistic optimization problem in gradient descent way. The theoretical analysis is provided in the globally optimal weights, the generalization error bound, and in the computational complexity of MMLVM. Experimental results on the artificial, UCI, PIE and USPS data sets demonstrate the effectiveness of the proposed approach in overcoming the drawbacks as above.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利