应用于心电图分类的KNN-SVM分类器研究
SVM利用靠近边界的少数向量构造一个最优分类超平面.在训练分类器时,SVM的着眼点在于两类的交界部分,那些混杂在另一类中的点往往无助于提高分类器的性能,反而会大大增加训练器的负担,同时它们还可能造成过学习,使泛化能力减弱.为此,提出了一种改进的分类器算法--KNN-SVM:它先对训练集进行修剪,根据每个样本与其最近邻的K个类标的异同决定其取舍;然后再用SVM训练得到分类超平面.实验表明,KNN-SVM相比SVM以及KNN在分类正确率、分类速度以及适用的样本规模上都表现出了一定的优越性.
图像分类 模式识别 支持向量机 K近邻分类法 核函数 VC维
谢秋玲
上海工程技术大学,基础学院,上海,200336
国内会议
天津
中文
401-404
2006-07-01（万方平台首次上网日期，不代表论文的发表时间）