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]	黄庭培1, 马禄彪1, 李世宝2, 刘建航1. 基于WiFi和原型网络的手势识别方法[J]. 计算机与现代化, 2024, 0(12): 34-39.
[2]	刘宝宝, 杨菁菁, 陶露, 王贺应. 基于注意力的DSMSC的遥感图像场景分类[J]. 计算机与现代化, 2024, 0(12): 72-77.
[3]	龚谊承1, 2, 刘青1, 2. 基于RF-LCE-BiLSTM-Attention-AMSSA模型的京剧二分类[J]. 计算机与现代化, 2024, 0(11): 7-12.
[4]	王莹莹, 郝潇. 基于Res2Net和递归门控卷积的细粒度图像分类[J]. 计算机与现代化, 2024, 0(10): 74-79.
[5]	焦一凯1, 2, 朱欣娟1, 2. 公共文化资源标签推荐方法[J]. 计算机与现代化, 2024, 0(10): 107-112.
[6]	周传华1, 2, 任太娇1, 罗岚1, 周昊1. 基于联合熵的非平衡数据边界混合重采样[J]. 计算机与现代化, 2024, 0(09): 95-100.
[7]	何若男1, 范翔2, 陈益1, 姜羽菲1, 曹辉1. 比例优势逻辑回归优化嗓音障碍指数算法[J]. 计算机与现代化, 2024, 0(08): 1-4.
[8]	赵小明, 潘婷, 刘伟锋. 基于图像分类的自动绘画心理分析方法[J]. 计算机与现代化, 2024, 0(08): 92-97.
[9]	周宪溪, 牟莉. 基于改进TF-IDF和AGLCNN的新闻长文本分类模型[J]. 计算机与现代化, 2024, 0(08): 120-126.
[10]	曹宁1, 严心娥1, 徐根祺2, 许又文1, 张正勃2, 杜倩云2. 基于DEFA-LSSAR的水利工程边坡力学参数预测模型[J]. 计算机与现代化, 2024, 0(07): 106-111.
[11]	王志强, 郑爽. 基于半监督学习的StyleGAN图像生成模型[J]. 计算机与现代化, 2024, 0(06): 14-18.
[12]	张可1, 艾中良2, 刘忠麟3, 顾平莉1, 刘学林4. 基于多元组匹配损失的司法论辩理解方法[J]. 计算机与现代化, 2024, 0(06): 115-120.
[13]	刘力霈, 杨晓利, 李振伟. 基于边中心网络特征提取的癫痫脑电分类研究[J]. 计算机与现代化, 2024, 0(05): 22-26.
[14]	曹宁1, 徐根祺2, 张雯3, 许又文1, 何盼情1. 基于AFSPSO-ν-SVM的山洪灾害预测方法研究#br# #br#[J]. 计算机与现代化, 2024, 0(05): 33-37.
[15]	钟海龙1, 2, 何月顺1, 何璘琳1, 陈杰1, 田鸣3, 郑瑞银4. 基于代价敏感卷积神经网络的加密流量分类#br# #br#[J]. 计算机与现代化, 2024, 0(05): 55-60.

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

被引次数

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