福建省农科院青年科技人才创新基金(2008F3108)
- 作品数：5 被引量：69H指数：3
- 相关作者：曾志强高济廖备水吴群朱顺痣更多>>
- 相关机构：厦门理工学院浙江大学更多>>
- 发文基金：福建省农科院青年科技人才创新基金国家自然科学基金更多>>
- 相关领域：自动化与计算机技术文化科学更多>>
- 改进工作集选择策略的序贯最小优化算法被引量：6
- 2009年
- 针对标准序贯最小优化(sequential minimal optimization,SMO)算法采用可行方向工作集选择策略所带来的缓存命中率低下问题,给出了SMO类型算法每次迭代所带来的目标函数下降量的二阶表达式,并据此提出了一种改进的工作集选择策略.新策略综合考虑算法收敛所需的迭代次数及缓存效率,从总体上减少了核函数计算次数,因此极大提高了训练效率,并且,它在理论上具有严格的收敛保障.实验结果表明,核函数越复杂,样本维度越高,缓存容量相对训练样本的规模越小,改进工作集选择策略的SMO算法相较于标准SMO算法的性能提高就越显著.
- 曾志强吴群廖备水朱顺痣
- 关键词：序贯最小优化工作集缓存收敛性
- 本科数据挖掘教学研究被引量：3
- 2009年
- 本文针对本科数据挖掘课程教学中存在的问题,探讨如何从教学内容、实验设置两个方面对该课程进行改革,以期取得更好的教学效果。
- 曾志强
- 关键词：数据挖掘教学内容
- 一种基于核SMOTE的非平衡数据集分类方法被引量：49
- 2009年
- 本文提出一种基于核SMOTE(Synthetic Minority Over-sampling Technique)的分类方法来处理支持向量机(SVM)在非平衡数据集上的分类问题.其核心思想是首先在特征空间中采用核SMOTE方法对少数类样本进行上采样,然后通过输入空间和特征空间的距离关系寻找所合成样本在输入空间的原像,最后再采用SVM对其进行训练.实验表明,核SMOTE方法所合成的样本质量高于SMOTE算法,从而有效提高SVM在非平衡数据集上的分类效果.
- 曾志强吴群廖备水高济
- 关键词：非平衡数据集支持向量机
- 面向超大数据集的SVM近似训练算法被引量：2
- 2009年
- 标准SVM学习算法运行所需的时间和空间复杂度分别为O(l3)和O(l2),l为训练样本的数量,因此不适用于对超大数据集进行训练。提出一种基于近似解的SVM训练算法:Approximate Vector Machine(AVM)。AVM采用增量学习的策略来寻找近似最优分类超平面,并且在迭代过程中采用热启动及抽样技巧来加快训练速度。理论分析表明,该算法的计算复杂度与训练样本的数量无关,因此具有良好的时间与空间扩展性。在超大数据集上的实验结果表明,该算法在极大提高训练速度的同时,仍然保持了原始分类器的泛化性能,并且训练完毕具有较少的支持向量,因此结果分类器具有更快的分类速度。
- 曾志强廖备水高济
- 关键词：支持向量机核函数近似解
- 基于约简SVM的网络入侵检测模型被引量：9
- 2009年
- 支持向量的数量越大,基于SVM的网络入侵检测系统速度越慢。针对该问题提出一种新的SVM约简方法,在特征空间中对支持向量进行聚类,寻找聚类质心在输入空间中的原像,将其作为约简向量,以实现支持向量削减目的。实验结果证明,该方法能提高SVM入侵检测引擎的速度,增强入侵检测系统的实时响应能力。
- 曾志强高济朱顺痣
- 关键词：入侵检测支持向量机核聚类
