×
郑晓涵;张，李;严磊磊

CTSVM：一种用于二元分类问题的具有相关损失函数的鲁棒双支持向量机。 （英语） Zbl 1484.68201号

信息科学。 559, 22-45 (2021).
摘要：作为支持向量机（SVM）的一种变体，双支持向量机受到了广泛关注；然而，TSVM对异常值很敏感。为了解决这一问题，本研究引入了非凸、有界、光滑的电流诱导损耗（C-loss）函数，并提出了C-loss TSVM（CTSVM）。CTSVM被设计用于执行以下优化：最小化C-损失函数、模型系数的2-范数正则化以及正（负）样本和正（负”类）超平面之间的距离，从而确保负（正）样本远离正（负超平面。CTSVM被转化为两个半二次优化问题，可以使用交替迭代方法求解。这种方法使CTSVM的计算时间与相关方法相当，尤其是在求解线性问题时。对实验结果进行统计处理，以比较多种算法在多个数据集上的性能。这些结果证实了CTSVM在对离群值的鲁棒性和二进制任务的分类精度方面优于同类分类器。未来，我们将研究CTSVM在多类分类任务中的性能。

引用于2文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
62H30型 分类和区分；聚类分析（统计方面）

关键词：

支持向量机;双支持向量机;电流诱导损耗函数;交替迭代;半二次优化

软件：

RBoost公司;UCI-毫升
PDF格式BibTeX公司 XML格式引用
\textit{X.Zheng}等人，《信息科学》。559、22-45（2021年；Zbl 1484.68201）
全文： 内政部

参考文献：

[1] 马蒂亚斯·阿丹肯（Mathias M.Adankon）。；Cheriet，Mohamed，LS-SVM的模型选择：手写识别应用，模式识别。，42, 12, 3264-3270 (2009) ·兹比尔1187.68424
[2] Arjunan，S.P。；Kumar，D.K。；Naik，G.R.，使用双支持向量机对前臂sEMG分形特征进行分类的基于机器学习的方法，（IEEE医学和生物学会工程年度国际会议论文集（2010）），4821-4824
[3] 乔纳森·博尔温（Jonathan Borwein）；Lewis，Adrian，《凸分析与非线性优化：理论与实例》（2006），Springer·Zbl 1116.90001号
[4] 博伊德，S.P。；Vandenberghe，L.，凸优化（2004），剑桥大学：英国剑桥大学·Zbl 1058.90049号
[5] 科琳娜·科尔特斯；Vapnik，Vladimir，支持向量网络，马赫。学习。，20, 3, 273-297 (1995) ·Zbl 0831.68098号
[6] Demsar，Janez，多数据集分类器的统计比较，J.Mach。学习。第7、1、1-30号决议（2006年）·Zbl 1222.68184号
[7] Dua Dheeru，Efi Karra Taniskidou，UCI机器学习库，2017。
[8] 丁世飞；张楠；张喜凯；吴福林。，双支持向量机：理论，算法和应用，神经计算。申请。，28, 11, 3119-3130 (2017)
[9] 丁世飞；张喜凯；安岳萱；薛瑜。，基于信息粒化的加权线性损失多生支持向量机用于多类分类，模式识别。，67, 32-46 (2017)
[10] Dunn，O.J.，《均值的多重比较》，《美国法律总汇汇编》，第56、293、52-64页（1961年）·Zbl 0103.37001号
[11] 贝诺伊·弗雷内（Benoit Frenay）；Michel Verleysen，《标签噪声存在下的分类：调查》，IEEE Trans。神经网络学习。系统。，25, 5, 845-869 (2014) ·Zbl 1471.62064号
[12] Geman，D。；Reynolds，G.，《不连续性的约束恢复和恢复》，IEEE Trans。模式分析。机器。智力。，14, 3, 367-383 (1992)
[13] Donald Geman；杨成达，带半二次正则化的非线性图像恢复，IEEE Trans。图像处理。，4, 7, 932-946 (1995)
[14] 华小鹏；Ding，ShiFe，局部保持双支持向量机，计算机J。研究开发。，51, 3, 590-597 (2014)
[15] 华小鹏；丁世飞，带局部信息的加权最小二乘投影双支持向量机，神经计算，160228-237（2015）
[16] Jayadeva，R.Khemchandani；Chandra，Suresh，模式分类的双支持向量机，IEEE Trans。模式分析。机器。智力。，29, 5, 905-910 (2007)
[17] N.Mm Khan，R.Ksantini，I.S.Ahmad，B.Oufama，一种新的SVM+NDA分类模型，用于人脸识别，模式识别。45(1) (2012) 66-79. ·Zbl 1225.68230号
[18] Arun Kumar，M。；Gopall，M.，用于模式分类的最小二乘双支持向量机，专家系统。申请。，36, 7535-7543 (2009)
[19] 刘黎明；楚茂祥；杨永辉；龚荣芬，基于可调大余量分布的双支持向量机模式分类，国际期刊。学习。赛博。，11, 2371-2389 (2020)
[20] 刘明慧，戴蓓倩，谢燕璐，亚志强，用于说话人验证的改进GMM-UBM/SVM，IEEE声学、语音和信号处理国际会议论文集1（2006）1925-1928。
[21] 刘如杰；王月红；Takayuki Baba；优原、优助；Masumoto，Daiki；Nagata，Shigemi，使用聚类和未标记数据进行图像检索时基于SVM的主动反馈，模式识别。，41, 8, 2645-2655 (2008) ·兹比尔1151.68397
[22] 刘晓明；朱婷；翟磊；刘军，用新的双支持向量机联合l_2，1）范数对良性和恶性肿瘤进行质量分类，国际期刊，马赫。学习。赛博。，10, 155-171 (2017)
[23] Mangasarian，O.L。；Wild，E.，《通过广义特征值进行多曲面近端支持向量机分类》，IEEE Trans。模式分析。机器。智力。，18, 1, 69-74 (2006)
[24] 苗启光；曹颖；夏、葛；龚茂国；刘佳晨；Song，Jianfeng，RBoost：基于非凸损失函数和数字稳定基学习器的标签噪声鲁棒增强算法，IEEE Trans。神经网络。学习。系统。，27, 11, 2216-2228 (2015)
[25] 彭新军，TPSVM：用于模式识别的新型双参数边缘支持向量机，模式识别。，44, 2678-2692 (2011) ·Zbl 1218.68129号
[26] Platt，J.C.，《使用序列最小优化快速训练支持向量机》（Schölkopf，B.；Burges，C.J.C.；Smola，A.J.，《内核方法的进展：支持向量学习》（1999），麻省理工学院出版社：麻省理理工学院剑桥出版社，美国马萨诸塞州），185-208
[27] 任、卓；杨利明，基于Correntropy-based robust extreme learning machine for classification，Neurocomputing，31313-11（2018）
[28] 萨利姆·雷兹瓦尼；王希钊；Pourpanph，Farhad，直觉模糊双支持向量机，IEEE Trans。模糊系统。，2140-2151年11月27日（2019）
[29] 邵元海；张春华；王晓波；邓乃阳，双支持向量机的改进，IEEE Trans。神经网络，22，6，962-968（2011）
[30] 阿比舍克·辛格；博克雷尔，罗莎；Principe，Jose，模式分类的C损失函数，模式识别。，47, 1, 441-453 (2014) ·Zbl 1326.68253号
[31] 阿比舍克·辛格；Principe，Jose C.，基于稳健相似性度量的分类损失函数，（IEEE神经网络国际联合会议（2010）论文集），1-6
[32] 赛义德，穆贾希德·N。；帕诺斯·帕达洛斯（Panos M.Pardalos）。；Principe，Jose C.，《数据分析中相关损失函数的优化特性》，Optim。莱特。，8, 3, 823-839 (2014) ·Zbl 1298.90072号
[33] Vapnik，Vladimir N.，《统计学习理论》（1998），威利出版社：美国纽约州威利·Zbl 0935.62007号
[34] 王向阳；王婷；布·胡安。，基于像素支持向量机分类的彩色图像分割。，44, 4, 777-787 (2011) ·Zbl 1213.94023号
[35] 吴伟晨。；徐益田。，用安全筛选规则加速改进的双支持向量机，Int.J.Mach。学习。赛博。，10, 3587-3600 (2019)
[36] 吴一超。；刘玉峰，鲁棒截断铰链损失支持向量机，美国统计协会，102，479，974-983（2007）·Zbl 1469.62293号
[37] 徐桂彪。；胡宝刚。；Jose C.Principe，鲁棒C损失核分类器，IEEE Trans。神经网络学习。系统。，29, 3, 510-522 (2018)
[38] 徐益田。；王来生；钟，平，一种基于粗糙裕度的v-twin支持向量机，神经计算。申请。，21, 1307-1317 (2012)
[39] 徐益田。；杨志吉；潘贤丽（音译），《一种新型的带弹球损失的双支撑矢量机》，IEEE Trans。神经网络。学习。系统。，28, 2, 359-370 (2017)
[40] 薛兆军；Ming，Dong；宋伟；Wan、BaiKun；金，石久，基于小波变换和支持向量机的红外步态识别，模式识别。，43, 8, 2904-2910 (2010) ·Zbl 1207.68330号
[41] 杨晓伟；谭良军；何立芳，《用于带噪声回归和分类的稳健最小二乘支持向量机》，神经计算，140，41-52（2014）
[42] 张丽；周伟达，密度诱导边缘支持向量机，模式识别。，44、7、1448-1460（2011年7月）·Zbl 1210.68098号
[43] 张丽；周伟达，渔民规制支持向量机，信息科学。，343-344, 5, 79-93 (2016) ·Zbl 1395.68241号
[44] 张丽；周伟达；Chang、PeiChann；刘静；严哲；王婷；李凡章，基于核稀疏表示的分类器，IEEE Trans。信号处理。，601684-1695（2012年4月）·Zbl 1393.94733号
[45] Li Zhang、Weida Zhou、GuiRen Chen、Hong Jie Zhou，Ning Ye、LiChen Jiao，使用伪密度估计方法为支持向量机预提取边界向量，收录于：SPIE论文集，MIPPR 2009:模式识别和计算机视觉，中国宜昌，2009年，第749660J（1-7）页。
[46] 张丽；周伟达；Jiao，LiChen，隐藏空间支持向量机，IEEE Trans。神经网络，15，6，1424-1434（2004）
[47] 张丽；周伟达；焦立晨，小波支持向量机，IEEE Trans。SMC B部分，34，1，34-39（2004）
[48] 周伟达，张丽，焦丽晨，支持向量机的改进分解方法。载于：《第五届计算智能与多媒体应用国际会议论文集》，第32-36页，中国西安，2003年9月27-30日。
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。