摘要
介绍了一种稀疏化最小二乘支持向量机的剪枝算法。由于支持值图谱中小的支持值所对应的训练样本在算法执行阶段所起的作用较小,所以删除它们不会引起性能的显著下降。仿真实验表明,该算法不但简单、易于实现,而且能够保持良好的分类性能。
A pruning algorithm is introduced to impose sparseness upon the least squares support vector machines （LS- SVM）.In the support values spectrum,the smallest absolute value is least significant for contribution to the LS-SVM. Therefore,omitting the least important data point from the training set can not lead to performance reduction observably. The simulation shows that this method is simple and easy to realize,without loss of performance.
出处
《计算机工程与应用》
CSCD
北大核心
2005年第33期68-70,共3页
Computer Engineering and Applications
关键词
最小二乘支持向量机
剪枝算法
支持值图谱
least squares support vector machines,pruning algorithm,support values spectrum
作者简介
王海峰（1979-），男，在读博士研究生，研究方向：装备自动化与智能控制。胡德金（1947-），男，教授，博士生导师，主要研究方向：制造技术及装备自动化技术、机电智能控制。
