基于SVM分类问题的核函数选择仿真研究

doi:10.3969/j.issn.1006-2475.2011.08.037

计算机与现代化 ›› 2011, Vol. 1 ›› Issue (8): 133-136.doi: 10.3969/j.issn.1006-2475.2011.08.037

基于SVM分类问题的核函数选择仿真研究

宋晖¹，薛云¹，张良均²

1.华南师范大学物理与电信工程学院，广东广州 510006； 2.广州太普软件科技有限公司，广东广州 510665

收稿日期:2011-05-23 修回日期:1900-01-01 出版日期:2011-08-10 发布日期:2011-08-10

Research on Kernel Function Selection Simulation Based on SVM Classification

SONG Hui¹, XUE Yun¹, ZHANG Liang-jun²

1. School of Physics and Telecommunication Engineering, South China Normal University, Guangzhou 510006, China;2. Guangzhou Tiptech Software Co., Ltd., Guangzhou 510665, China

Received:2011-05-23 Revised:1900-01-01 Online:2011-08-10 Published:2011-08-10

摘要/Abstract

摘要： 首先讨论支持向量机（SVM）的基本思想和实现过程，随后着重对SVM核函数进行探讨，从理论上研究常用核函数的选择优化问题。采用UCI数据库中的玻璃识别数据、菖蒲植物数据以及汽车评估数据分别对选择不同的核函数情况进行实验仿真分类和比较。仿真结果表明，同类数据选择不同核函数会产生不同的分类效果，选取合适的核函数对分类效果有很大的影响。

关键词: 分类, 支持向量机, 核函数

Abstract: The basic theory and realization of support vector machines are described. Then the kernel functions of SVM and its optimization problem are discussed. The different kernel function selections are carried out simulation experiments with glass identification database, iris plants database and car evaluation database of UCI. The simulation results show that the data of same type with different kernel function have different classification efficiency and there is great influence for classification efficiency with right selection of kernel function.

Key words: classification, SVM, kernel function

中图分类号:

TP183

宋晖;薛云;张良均. 基于SVM分类问题的核函数选择仿真研究[J]. 计算机与现代化, 2011, 1(8): 133-136.

SONG Hui;XUE Yun;ZHANG Liang-jun. Research on Kernel Function Selection Simulation Based on SVM Classification[J]. Computer and Modernization, 2011, 1(8): 133-136.

[1]	彭路1,朱君2,邹云峰2. 基于深度神经网络的电力客户诉求预判[J]. 计算机与现代化, 2020, 0(05): 22-.
[2]	张文华，张志俊. 基于SVM的新能源公交车运营里程核查方法[J]. 计算机与现代化, 2020, 0(05): 39-.
[3]	郑沫利1,赵艳轲1,闫敏2,孙俊2,刘雍容1. 基于RDPSO-SVM的粮食产后储藏环节损耗智能评估方法[J]. 计算机与现代化, 2020, 0(03): 72-.
[4]	唐志斌1,2,曾学文1,2,陈晓1,2 . 基于维度分解的多核并行网包分类算法[J]. 计算机与现代化, 2020, 0(02): 1-.
[5]	牛道鸿1，马晓东1，吴雪冰1，王芳1,2 . 基于改进的Adaboost和LBP危险物品检测算法研究[J]. 计算机与现代化, 2020, 0(02): 122-.
[6]	桂易琪，田星晨. 一种结合专家信任的POI推荐算法[J]. 计算机与现代化, 2019, 0(12): 10-.
[7]	刘树艺，李静，胡春，王伟. 基于卷积神经网络与集成学习的交通标志识别[J]. 计算机与现代化, 2019, 0(12): 67-.
[8]	陈海洋1，环晓敏1，陈新展2，刘喜庆1. 基于TAN分类器的交通灯时间智能动态估计[J]. 计算机与现代化, 2019, 0(11): 81-.
[9]	牛雪莹. 结合主题模型词向量的CNN文本分类[J]. 计算机与现代化, 2019, 0(10): 7-.
[10]	张开延1,2，潘杨3，娄季朝4. 基于ANP-SVM算法的智能变电站过程层网络故障分类[J]. 计算机与现代化, 2019, 0(07): 72-.
[11]	李雪1,2，郭会明3. 关联规则对监控下行人属性识别影响的研究[J]. 计算机与现代化, 2019, 0(04): 65-.
[12]	李芬1，肖建2，林志强2，李志鹏1 . 伴随时空特性的雷电预测BP-ANN模型研究[J]. 计算机与现代化, 2019, 0(04): 76-.
[13]	李富星，蒙祖强 . 一种改进的类别区分词特征选择算法[J]. 计算机与现代化, 2019, 0(03): 73-.
[14]	马建红，刘广森，姚爽，杨智. 面向短文本的特征选择及文本表示[J]. 计算机与现代化, 2019, 0(03): 95-.
[15]	张浩1,2，钟敏1，2. 基于Sentence-LDA主题模型的短文本分类[J]. 计算机与现代化, 2019, 0(03): 102-.

基于SVM分类问题的核函数选择仿真研究

Research on Kernel Function Selection Simulation Based on SVM Classification

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价