АЛГОРИТМ КЛАССФИКАЦИИ ПОТОКОВЫХ СИГНАЛОВ НА ОСНОВЕ ПОСЛЕДОВАТЕЛЬНОЙ МАШИНЫ ОПОРНЫХ ВЕКТОРОВ
Образец для цитирования:
В работе предлагается и исследуется метод классификации сигналов, который при работе с потоком данных в реальном времени осуществляет изменение параметров классификации по вновь поступающим данным – этим обеспечивается высокая эффективность классификации. Предложенный метод реализуется на модификации известного алгоритма «машины опорных векторов», базовый вариант которого для работы в реальном времени непригоден из-за высоких требований к вычислительным ресурсам. Разработанный алгоритм последовательного «дообучения» машины опорных векторов позволяет существенно уменьшить время «обучения» и количество опорных векторов. На данных по распознаванию рукописных цифр показано, что ошибка разработанного алгоритма классификации сигналов возрастает несущественно. Сформулированы условия оптимальной ориентации гиперплоскостей в многомерном пространстве признаков и оптимальной величины зазора между ними при формировании двухпорогового (тернарного) классификатора.
1. Cristianini N., J. Shawe-Taylor J. An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods. Cambridge University Press, 2000.
2. Макаренко А.В., Правдивцев А.В., Воловик М.Г. К вопросу о моделировании и анализе ИК-термокарт головного мозга человека // Изв. вуз. ПНД. 2011. Т. 19, No 6. С. 145.
3. Cauwenberghs G., Poggio T. Incremental and Decremental Support Vector Machine Learning // Advances in Neural Information Processing Systems. 2000. P. 409.
4. Bordes A., Ertekin S., Weston J., Bottou L. Fast kernel classifiers with online and active learning // Journal of Machine Learning Research. 2005. Vol. 6. P. 1579.
5. Roobaert D. DirectSVM: A Simple Support Vector Machine Perceptron // VLSI Signal Processing. 2002. P. 147.
6. Orabona F., Castellini C., Caputo B., Jie L., Sandini G. On-line independent support vector machines // Pattern Recognition. 2010. Vol. 43. P. 1402.
7. Schoelkopf B., Smola A. New Support Vector Algorithms // NeuroCOLT Technical Report NC2-TR-1998-031. 1998.
8. Алгоритмы и программы восстановления зависимостей / Под ред. В.Н. Вапника. М.: ФИЗМАТЛИТ, 1984.
9. Vapnik V. Estimation of Dependences Based on Empirical Data. Berlin: Springer-Verlag, 1982.
10. Platt J. Fast training of support vector machines using sequential minimal optimization / Eds B. Scholkopf, C.J.C. Burges, A.J. Smola. Advances in Kernel Methods –Support Vector Learning. Cambridge, MA: MIT Press, 1999.
11. Растригин Л.А., Эренштейн Р.X. Метод коллективного распознавания. Энергоиздат, 1981. 80 с.
12. Chang C.-C., Lin C.-J. LIBSVM: A Library for Support Vector Machines. Technical report // Computer Science and Information Engineering. National Taiwan University, 2001–2004. http://www.csie.ntu.edu.tw/_cjlin/libsvm.
13. Collobert R., Bengio S. SVMTorch: Support vector machines for large-scale regression problems // Journal of Machine Learning Research. 2001. Vol. 1. P. 143.
14. Keerthi S.S., Gilbert E.G. Convergence of a generalized SMO algorithm for SVM classifier design // Machine Learning. 2002. Vol. 46. P. 351.
BibTeX
author = {Андрей Викторович Ковальчук and Николай Сергеевич Беллюстин},
title = {АЛГОРИТМ КЛАССФИКАЦИИ ПОТОКОВЫХ СИГНАЛОВ НА ОСНОВЕ ПОСЛЕДОВАТЕЛЬНОЙ МАШИНЫ ОПОРНЫХ ВЕКТОРОВ},
year = {2015},
journal = {Известия высших учебных заведений. Прикладная нелинейная динамика},
volume = {23},number = {5},
url = {https://old-andjournal.sgu.ru/ru/articles/algoritm-klassfikacii-potokovyh-signalov-na-osnove-posledovatelnoy-mashiny-opornyh-vektorov},
address = {Саратов},
language = {russian},
doi = {10.18500/0869-6632-2015-23-5-62-79},pages = {62--79},issn = {0869-6632},
keywords = {Машина опорных векторов,классификация потоковых сигналов,тернарный классификатор.},
abstract = {В работе предлагается и исследуется метод классификации сигналов, который при работе с потоком данных в реальном времени осуществляет изменение параметров классификации по вновь поступающим данным – этим обеспечивается высокая эффективность классификации. Предложенный метод реализуется на модификации известного алгоритма «машины опорных векторов», базовый вариант которого для работы в реальном времени непригоден из-за высоких требований к вычислительным ресурсам. Разработанный алгоритм последовательного «дообучения» машины опорных векторов позволяет существенно уменьшить время «обучения» и количество опорных векторов. На данных по распознаванию рукописных цифр показано, что ошибка разработанного алгоритма классификации сигналов возрастает несущественно. Сформулированы условия оптимальной ориентации гиперплоскостей в многомерном пространстве признаков и оптимальной величины зазора между ними при формировании двухпорогового (тернарного) классификатора. Скачать полную версию }}