吴德
- 作品数：13 被引量：50H指数：6
- 供职机构：西安电子科技大学计算机学院更多>>
- 发文基金：国家自然科学基金陕西省教育厅科研计划项目陕西省教育厅自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 空间支持向量域分类器被引量：8
- 2008年
- 构造了一种空间支持向量域分类器(SSVDC).在训练阶段分别对正负两类样本进行支持向量域描述,根据描述边界将数据空间划分为互不相交区域,并设定相应的分类准则.在测试阶段,分别计算待识别样本与两个最小包围超球球心的距离,根据其与超球半径的大小关系确定待识别样本所处区域,并采取相应分类准则完成分类.UCI数据集上的多个数值实验表明,与支持向量机(SVM),支持向量域分类器(SVDC)相比,SSVDC具有好的鲁棒性,训练时间可缩短为SVM的20.6%,分类精度比SVDC提高45.9%.
- 梁锦锦刘三阳吴德
- 关键词：支持向量域描述鲁棒性模式识别
- 模糊聚类光滑支持向量机被引量：7
- 2017年
- 为了提高光滑支持向量机的分类速度和精度,构造一种模糊聚类光滑支持向量机(FCSSVM).运用模糊聚类将训练数据分解为若干子簇,通过引入熵函数近似松弛向量的加函数,并利用最优解处权重向量的表达式导出精确光滑模型;定义测试样本的最近邻子空间,以选择性集成策略组合若干近邻子空间中的分类决策函数.数值实验表明,FCSSVM的分类精度高,迭代次数少,鲁棒性好,分类时间短.
- 刘三阳吴德
- 关键词：支持向量机模糊聚类熵函数
- 多类文本分类算法GS-SVDD被引量：4
- 2016年
- 传统多类文本多分类算法存在计算量大和训练时间长的问题,为此利用黄金分割(Golden Selection,GS)和支持向量域描述(Support Vector Domain Description,SVDD)对多类文本构造一种分类算法。GS-SVDD首先利用词频逆向文件频率(Term Frequency-Inverse Document Frequency,TF-IDF)公式计算词条的相对词频,根据该值将词条降序排列,并对得到的文本向量进行归一化;其次采用黄金分割法对文本向量进行维数约简,使得冗余的样本特征数不超过一个;最后根据支持向量域描述进行多类分类,判断待测文本归属相对类距离之值较小的类。不同数据集的数值实验表明,GS-SVDD比"一对一"和"一对多"支持向量机具有更好的稳定性、更高的分类精度和更短的训练时间,从而更适用于海量文本的多分类。
- 吴德刘三阳梁锦锦
- 关键词：黄金分割支持向量域描述维数约简
- 聚类分片双支持向量域分类器被引量：3
- 2015年
- 针对支持向量域分类器对大规模样本集的训练时间长且占用内存大的问题,构造聚类分片双支持向量域分类器.以均值聚类剖分原始空间,并选取密度指标大的样本作为初始聚类中心;对子空间构造双支持向量域分类器,根据样本与正负类最小包围超球的距离构造分段决策函数;定义样本的变尺度距离,以链接规则组合子空间的分类结果.数值实验表明,所提出算法的分类精度高且受参数变化的影响不大,分类时间短且随子空间数的增加而降低.
- 梁锦锦吴德
- 关键词：聚类
- 稀疏L1范数最小二乘支持向量机被引量：6
- 2014年
- 为了提高最小二乘支持向量机的训练速度,提出一种稀疏最小二乘支持向量机L1SLSSVM。该模型采用权重向量的L1范数控制分类间隔,最小二乘损失函数度量误差。将线性和核空间最小二乘支持向量机的训练归结为同一形式,均转化为仅有部分变量具非负约束的凸二次规划。对比SVM、LSSVM与SLSSVM的数值实验结果表明,L1SLSSVM具有好的稀疏性、高的分类精度和短的训练时间。
- 梁锦锦吴德
- 关键词：最小二乘支持向量机稀疏性L1范数凸二次规划
- 支持向量域多分类器被引量：6
- 2012年
- 为解决多分类支持向量机计算量大、训练时间长的问题,构造了支持向量域多分类器(MS-VDC).在训练阶段,运用支持向量域描述求得各类样本的最小包围超球,进而将数据空间划分为不同区域;在测试阶段,计算待识别样本与最小包围超球球心的距离,并判断其空间位置;对超球重叠以及超球外区域的样本,定义一种相对类距离,判断样本归属该值较小的类.MSVDC避免了重复利用训练样本,降低了内存占用并提高了计算效率.数值实验结果表明:MSVDC具有好的鲁棒性,分类精度可高达98.89%,分别比一对多和一对一算法高4.51%和1.24%,训练时间分别为一对多和一对一算法的18.06%和55.41%.
- 吴德刘三阳
- 关键词：多分类器支持向量域描述
- 一种约减支持向量域描述算法RSVDD被引量：6
- 2008年
- 为加快支持向量域描述(SVDD)的训练速度,提出基于约减集的约简支持向量域描述算法RSVDD.由于描述边界仅由支持向量决定,且支持向量多分布在描述边缘附近,该算法采用每个样本到中心的距离作为支持向量的一种可能性度量,选取距离较大的部分样本作为约减集参与SVDD训练.人造数据和基准集数据上的仿真实验表明了RSVDD的有效性和优越性,保证了目标类和奇异值类的分类精度,缩减了训练规模和训练时间.
- 梁锦锦刘三阳吴德
- 关键词：支持向量域描述支持向量
- 信息安全风险评估模型SVRAMIS被引量：6
- 2013年
- 针对信息安全风险评估存在风险等级划分不准确和评估时间较长的问题,提出了一种基于支持向量域描述的信息安全风险评估模型.首先,运用支持向量域描述求得各类信息安全样本的最小包围超球,并通过描述边界对样本进行划分;其次,根据超球球心、半径与样本提供的信息,判断待测样本的空间位置,并实现相应的判别准则.信息安全数据上的数值试验表明,对不同的核函数,该模型均能具有较高的训练、较高的测试精度以及较短的训练时间.
- 吴德刘三阳
- 关键词：信息安全风险评估支持向量域描述
- 基于模糊C-均值的相似性特征转换光滑支持向量机被引量：4
- 2018年
- 在用于非线性分类的光滑支持向量机(SSVM)模型中,核函数必须满足Mercer’s条件,由此限制了核函数的选择范围;并且在面对大规模数据集时,SSVM模型的计算复杂度很高,训练时间长.针对这两点缺陷提出了基于模糊C-均值的相似性特征转换光滑支持向量机模型(SFT-SSVM-FCM).首先,运用基于相似性的特征转换,使得核函数不需要再满足Mercer’s条件,从而拓宽了核函数的选择范围;其次,运用模糊C-均值(FCM)分群技术,将完整的训练数据集划分成若干子簇,分别在每一个子簇上进行已经过相似性特征转换的SSVM模型训练.实验表明:与传统的SVM、SSVM模型及一系列变体模型相比较,该新模型在训练时间、分类精度方面都具有更好的表现.
- 方佳艳刘峤吴德秦志光
- 关键词：模糊C-均值
- 新型二分类支持向量机P2M-SVM
- 2013年
- 提出基于可能性二均值聚类(Possibilistic Two Means, P2M)的二分类支持向量机(Support Vector Machine, SVM)。该算法先用P2M对未知类别的二分类数据进行划分,然后利用支持向量机对划分后的数据进行训练。人造数据和UCI数据上的分类实验表明,该算法综合利用了P2M聚类的稳健性和SVM分类的强泛化能力,提高了传统聚类的分类精度并降低了SVM的类别采集代价。
- 梁锦锦吴德
- 关键词：全局最优稳健性泛化能力
