摘 要：支持向量机(support vector machine，SVM)通过结构风险最小化构建模型，模型简单易理解，但求解过程较复杂；而最小二乘支持向量机(least squares support vector machine，LSSVM)求解的是一组线性方程组，其求解效率远高于SVM．然而，传统LSSVM 忽略了样本点到超平面分布的影响．为了充分考虑数据的分布，本研究从LSSVM 出发，加入最小化距离方差与最大化距离均值正则项，构建全新的LSSVM 模型(LSSVM_rv 和LSSVM_rm_rv 模型)．该模型的优势在于：依据数据的分布特征构建模型，分类效果更好；对偶问题仍是一组线性方程组，计算成本较小．大量的数值实验进一步验证上述模型的优越性，与传统SVM 和LSSVM 相比，在6 个数据集上的分类准确率均有所提高，并且节省了大量的训练时间．              

论文下载：

08.pdf

  浏览次数：