最小二乘支持向量机分类器的高稀疏化及应用

摘要

为减少训练完毕之后的最小二乘支持向量机的分类计算量,借鉴神经网络的快速剪枝策略,提出了一种新的稀疏化算法:HS-LSSVM.它在主成分分析基础上,筛选出样本子集作为支持向量,它们既包含较多核函数矩阵信息,又相互独立性强,具有较好的代表性.算法将其余个体的信息转移至支持向量上,在实现高度稀疏化的同时,良好地保持了LSSVM的分类性能,并能适用于多类问题.对多个分类问题的测试表明,HS-LSSVM具有稀疏率高,分类性能强,且稀疏化速度较快等优点.