基于优化核的支持向量机动态融合算法

摘要

Fisher准则经常作为代价函数被用来优化核函数。然而，在许多应用中，即使在核空间，数据集也不是线性可分的，从而使得以此得到的优化核训练的SVM性能不能令人满意。基于此,本文提出了一种集成方法：首先，对样本集在核空间进行聚类划分，然后，构建局部区间上摹于Fisher准则最大化的优化核，并以该优化核训练基于该区间上的SVM。对测试样本，根据其K近邻所属区间，选择相应的基SVM进行加权融合。在标准数据集UCI上的七个数据集的实验结果表明，与1-v-r,1-v-1和DAGSVM相比，本文方法具有稳定保障高精度的优点，同时，对大且类数较多的样本集其分类速度也具有明显优势。