多源性数据SVM集成算法研究

doi:10.3969/j.issn.1001-2400.2010.01.024

J4 ›› 2010, Vol. 37 ›› Issue (1): 136-141.doi: 10.3969/j.issn.1001-2400.2010.01.024

多源性数据SVM集成算法研究

常甜甜¹;刘红卫¹;冯筠²

(1. 西安电子科技大学理学院，陕西西安 710071；
2. 西北大学信息技术学院，陕西西安 710069)

收稿日期:2009-04-13 出版日期:2010-02-20 发布日期:2010-03-29
通讯作者: 常甜甜
作者简介:常甜甜(1981-)，女，西安电子科技大学博士研究生，E-mail: changtiantian@gmail.com．
基金资助:
国家自然科学基金资助项目(60603098);陕西省教育厅科学研究计划项目资助项目(07JK381)

Support vector machine ensemble learning algorithm research based on heterogeneous data

CHANG Tian-tian¹;LIU Hong-wei¹;FENG Jun²

(1. School of Science, Xidian Univ., Xi'an 710071， China;
2. School of Information Sci. and Tech., Northwest Univ., Xi'an 710069， China)

Received:2009-04-13 Online:2010-02-20 Published:2010-03-29
Contact: CHANG Tian-tian

摘要/Abstract

摘要：

针对数据特征的多源性特点，提出基于分组特征支持向量机集成算法．该方法将特征分组，对不同组特征采用不同的核函数映射到高维空间后用支持向量机分类，最后采用投票的方法得出决策标记，所得到的成员分类器具有较高的差异性．与传统的集成方法相比，该方法具有较好的检测性能．

关键词: 集成学习, 支持向量机, 多源性, 医学图像

Abstract:

An SVM ensemble learning algorithm based on grouped features is proposed for heterogeneous data. The feature is grouped and trained with different SVM classifiers, and then the final predict labels are obtained by the voting method. The diversity component classifiers with higher classification performance are obtained. Experimental results show that, compared with traditional ensemble learning, this method has the best performance.

Key words: ensemble learning, support vector machine, heterogeneous, medical image

常甜甜;刘红卫;冯筠. 多源性数据SVM集成算法研究[J]. J4, 2010, 37(1): 136-141.

CHANG Tian-tian;LIU Hong-wei;FENG Jun. Support vector machine ensemble learning algorithm research based on heterogeneous data[J]. J4, 2010, 37(1): 136-141.

参考文献

［1］Hansen L K, Salamon P. Neural Network Ensembles［J］. IEEE Trans on Pattern Analysis and Machine Intelligence, 1990, 12(10): 993-1001.
［2］Li Ying, Jiang Jianmin. Combination of SVM Knowledge for Microcalcification Detection in Digital Mammograms［C］//IDEAL 2004, LNCS 3177. Berlin: Springer, 2004: 359-365.
［3］Lanckriet G. Learning the Kernel Matrix with Semi-definite Programmming［J］. Journal of Machine Learning Research, 2004(5): 27-72.
［4］李青, 焦李成. 利用集成支撑矢量机提高分类性能［J］. 西安电子科技大学学报, 2007, 34(1): 68-70.
Li Qing, Jiao LiCheng. Improvement Classification Performance by the Support Vector Machine Ensemble ［J］. Journal of Xidian University, 2007,34(1):68-70.
［5］何鸣, 李国正, 袁捷. 医学诊断中集成学习技术的研究［J］.计算机工程与应用, 2006, 42(28): 1-6.
He Ming, Li GuoZheng, Yuan Jie. A Study on Ensemble Methods for Medical Diagnosis ［J］. Computer Engineering and Application, 2006, 42(28): 1-6.
［6］Skyrpnyk I. DIMACS Technical Center. Feature Selection and Training Set Sampling for Ensemble Learning on Hetergeneous Data［R］. New Jersey: the State University of New Jersey, 2003.
［7］Rose C, Turi D, Williams A, et al. Digital Database for Screening Mammography［DB/OL］. ［1998-08-20］. http://marathon.csee.usf.edu/Mammography/Database.html.
［8］ELCAP Lab, Weill Medical College of Cornell University. ELCAP Public Lung Image Database ［DB/OL］. ［2003-12-20］. http://www.via.cornell.edu/lungdb.html.
［9］Schapire R E. The Strength of Weak Learnability［J］. Machine Learning, 1990, 5(2):197-227.
［10］罗宏君. 基于双阈值的肺结节自动检测［D］. 西安: 西安电子科技大学, 2008.
Luo HongJun. Automatic Nodule Detection and Extraction Based on Two Different Thresholds［D］. Xi'an: Xidian University, 2008.
［11］王宇. 基于SVM的计算机辅助检测系统［D］. 西安: 西安电子科技大学, 2008.
Wang Yu. A Computer Aided Detection System Based on SVM［D］. Xi'an: Xidian University, 2008.
［12］张新生, 高新波, 王颖, 等. 乳腺图像钙化簇主动学习检测新方法［J］. 西安电子科技大学学报, 2008, 35(5): 871-877.
Zhang Xinsheng, Gao Xinbo, Wang Ying, et al. New Method for Microcalcification Clusteres Detection Using Active Learning in the Mammogram ［J］. Journal of Xidian University, 2008, 35(5): 871-877.

[1]	刘景美,高源伯. 自适应分箱特征选择的快速网络入侵检测系统[J]. 西安电子科技大学学报, 2021, 48(1): 176-182.
[2]	王俊祥,黄霖,张影,倪江群,林朗. 低复杂度的增强图像来源检测算法[J]. 西安电子科技大学学报, 2021, 48(1): 96-106.
[3]	李海,尚金雷,孙婷逸,冯青,庄子波. MC-DTSVMs的双偏振气象雷达降水粒子分类方法[J]. 西安电子科技大学学报, 2020, 47(4): 132-140.
[4]	杜振鑫,刘广钟,赵学华. 集成学习人工蜂群算法[J]. 西安电子科技大学学报, 2019, 46(2): 124-131.
[5]	安亚利,周水生,陈丽,王保军. 鲁棒支持向量机及其稀疏算法[J]. 西安电子科技大学学报, 2019, 46(1): 64-72.
[6]	杨利英;殷黎洋;袁细国;张军英. 富集分析框架下的致病SNP位点识别[J]. 西安电子科技大学学报, 2016, 43(3): 43-48.
[7]	李美玲;胡耀垓;周晨;赵正予;张援农;刘静;邓忠新. 支持向量机用于电离层foF2的短期区域预报[J]. J4, 2015, 42(5): 147-153+206.
[8]	蔡艳艳;宋晓东. 针对非平衡数据分类的新型模糊SVM模型[J]. J4, 2015, 42(5): 120-124+160.
[9]	姜建国;赵媛;孟宏伟;李博. 采用类电磁机制算法的SVM决策树多分类策略[J]. J4, 2014, 41(6): 83-88.
[10]	杨曦;李洁;韩冰;高新波. 一种分层小波模型下的极光图像分类算法[J]. J4, 2013, 40(2): 18-24.
[11]	杨曦高新波李洁韩冰. 一种分层小波模型下的极光图像分类算法[J]. J4, 2013, 40(2): 18-24.
[12]	刘晓佩;卢朝阳;李静. 结合WTLBP特征和SVM的复杂场景文本定位方法[J]. J4, 2012, 39(4): 103-108.
[13]	王世强;张登福;毕笃彦;薛德友;雍霄驹. 双谱二次特征在雷达信号识别中的应用[J]. J4, 2012, 39(2): 127-132+191.
[14]	秦传东;刘三阳;张市芳. 一种肿瘤基因的支持向量机提取方法[J]. J4, 2012, 39(1): 191-196.
[15]	厍向阳;李崇贵;姚顽强. 遥感图像几何校正的支持向量机算法研究[J]. J4, 2011, 38(5): 121-128+146.

多源性数据SVM集成算法研究

Support vector machine ensemble learning algorithm research based on heterogeneous data

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 0