一种基于高斯分布的SVM核参数选择方法

孔晓斌; 曹棣; 张素兰

您当前的位置：

首页 >

文章列表页 >

一种基于高斯分布的SVM核参数选择方法

自动化与计算机技术 | 更新时间：2026-09-14

- 一种基于高斯分布的SVM核参数选择方法
- A SVM Kernel Parameter Selection Approach Based on the Gauss Distribution
- 中北大学学报（自然科学版） 2008年第4期页码：343-346
- 作者机构：
  
  1. 太原科技大学计算机科学与技术学院
  2. 太原理工大学计算机与软件学院
- 作者简介：
- 基金信息：
- DOI：
  中图分类号：
- 纸质出版：2008
- 稿件说明：
移动端阅览
孔晓斌, 曹棣, 张素兰. 一种基于高斯分布的SVM核参数选择方法[J]. 中北大学学报（自然科学版）, 2008,(4):343-346.

孔晓斌, 曹棣, 张素兰. A SVM Kernel Parameter Selection Approach Based on the Gauss Distribution[J]. 2008, (4): 343-346.
孔晓斌, 曹棣, 张素兰. 一种基于高斯分布的SVM核参数选择方法[J]. 中北大学学报（自然科学版）, 2008,(4):343-346. DOI：

孔晓斌, 曹棣, 张素兰. A SVM Kernel Parameter Selection Approach Based on the Gauss Distribution[J]. 2008, (4): 343-346. DOI：

摘要

针对支持向量机(Support Vector Machine

SVM)研究中的核选择问题

在Amari和Wu提出的保形变换方法的基础上

提出了一种基于高斯分布的SVM核参数选择方法.分析了确定数据分布特征的重要性

给出了判断数据呈高斯分布的方法

探讨了SVM核函数及其参数选择与数据分布的相关性.在Matlab实验环境下

采用两组数据集进行了数值仿真

仿真结果说明了本文所提方法的可行性与有效性.

Abstract

Aiming at the problem of kernel selection for support vector machine(SVM)

a new method for selecting the kernel parameter was presented.It was based on the Gauss distribution and conformal transformation method presented by Amari and Wu.The importance of determining the characteristics of data distribution was analyzed

and an approach to determine the Gauss distribution was presented.The correlation of data distribution and how to select the kernel parameter was discussed.Two groups of data sets were used to carry on the numerical simulation by Matlab.The simulating results demonstrate the feasibility and the effectiveness of the presented approach.

关键词

Keywords

references

Vapnik V.The Nature of Statistical Learning Theory[M].Springer2Verlag,New York,Inc,2000.

Burges J C.A Tutorial on Support Vector Machines for Pattern Recognition[M].Kluwer Academic Publishers,Boston,1999.

Wang W J,Xu Z B,Lu W Z,et al.Determination of the spread parameter in the Gaussian kernel for classificationand regression[J].Neurocomputing,2003,55(3-4):643-663.

Duan K B,Keethi S,Poo A N.Evaluation of simple performance measure for tuning SVM hyperparameters[J].Neurocomputing,2003,51:41-59.

Cherkassky V,Ma Y Q.Practical selection of SVM parameters and noise estimation for SVM regression[J].NeuralNetworks,2004,17:113-126.

Golda C,Sollichb P.Modle selection for support vector machine classification[J].Neurocomputing,2003(55):221-249.

Gavin C,Nicola T.Efficient leave-one-out cross-validtion of kernel fisher discriminant classifiers[J].PatternRecognition,2003,11:2585-2592.

Amaris S,Wu S.Improving support vector machine classifiers by modifying kernel functions[J].Neural Networks,1999(12):783-789.

赵倩,李宏伟.一种产生广义高斯分布随机数的算法[J].应用数学,2004,17(增1):64-69.Zhao Qian,Li Hongwei.A new algorithm for generating generalized gaussian random number[J].MathematicaApplicata,2004,17(s1):64-69.(in Chinese)

Walden A T.NonGaussian,reflectivity,entropy and reconvolution[J].Geophysics,1985,50(12):2862-2888.

Stacy E W.A generalization of gamma distribution[J].Ann Math Stat,1962,28:1187-1192.

Mahesh K V,Behnaam A.Parametric generalized gaussi-an density estimation[J].Journal Acoustical Society ofAmerican,1989,86(4):1404-1415.

Morris H D.Probability and Statistics[M].Addisonwelsy Publishing Company,1975.

浏览量

328

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于特征融合与SVM的内镜图像分类算法研究

基于鼠标及窗口行为的持续身份认证研究

一种基于样本近邻分类精度的支持向量机集成方法

改进混合特征模型聚类的文本情感分类算法研究

模拟电路故障诊断的神经网络模型研究