支持向量机与K-均值聚类融合算法的研究

摘要

传统的支持向量机分类算法随着样本规模增大、支持向量数量增多时,其分类过程所消耗的时间也会随之增加。为此,提出一种改进算法,将K-均值聚类算法与支持向量机融合。将标准支持向量机训练后得到的支持向量集进行特定比例的K均值聚类操作,把聚类的中心作为新的支持向量,再用二次规划方法求解得到新的分类决策函数。实验结果表明,该分类算法有效地减少计算时间,提高分类速度,尤其在训练集规模庞大、支持向量数量较多的情况下,效果会更加明显。