2.765

2022影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

协作式整体和局部的分类机

张战成 王士同 钟富礼

张战成, 王士同, 钟富礼. 协作式整体和局部的分类机. 自动化学报, 2011, 37(10): 1256-1263. doi: 10.3724/SP.J.1004.2011.01256
引用本文: 张战成, 王士同, 钟富礼. 协作式整体和局部的分类机. 自动化学报, 2011, 37(10): 1256-1263. doi: 10.3724/SP.J.1004.2011.01256
ZHANG Zhan-Cheng, WANG Shi-Tong, CHUNG Fu-Lai. A Collaborative Classifier for Local and Global Learning. ACTA AUTOMATICA SINICA, 2011, 37(10): 1256-1263. doi: 10.3724/SP.J.1004.2011.01256
Citation: ZHANG Zhan-Cheng, WANG Shi-Tong, CHUNG Fu-Lai. A Collaborative Classifier for Local and Global Learning. ACTA AUTOMATICA SINICA, 2011, 37(10): 1256-1263. doi: 10.3724/SP.J.1004.2011.01256

协作式整体和局部的分类机

doi: 10.3724/SP.J.1004.2011.01256
详细信息
    通讯作者:

    张战成 江南大学博士研究生. 主要研究方向为模式识别与网络安全技术. E-mail: cimszhang@163.com

A Collaborative Classifier for Local and Global Learning

  • 摘要: 提出了一种协作式整体局部分类算法,即C2M (Collaborative classification machine with local and global information),该算法利用两类样本各自的协方差作为整体方向信息, 获得两个带整体和局部信息的分类面,并通过组合分类器的平均规则将两个分类面组合, 得到最终的最优判决平面.该算法可用两次QP (Quadratic programming)求解,时间复杂度为O(2N3), 大大小于M4 (Maxi-min margin machine)的O(N4), 线性核时的分类精度高于只利用了局部信息的支持向量机 (Support vector machine, SVM).理论上证明了在交遇区较多时, C2M 可以比M4 更有效地利用全局信息,并提出了判断整体信息对分类是否有贡献的4个判别指标. 模拟数据和标准数据集上与M4 和SVM的对比实验证明了该算法的有效性.
  • 加载中
计量
  • 文章访问数:  1713
  • HTML全文浏览量:  38
  • PDF下载量:  789
  • 被引次数: 0
出版历程
  • 收稿日期:  2011-01-17
  • 修回日期:  2011-04-09
  • 刊出日期:  2011-10-20

目录

    /

    返回文章
    返回