多类支持向量机算法综述(5)

machines.InB.Sch¨olkopf,C.J.C.Burges,andA.J.Smo2la,editors,AdvancesinKernelMethods:[J]SupportVectorLearning:255～268.[10]　J.C.,N.,rge

GsInS.A.Solla,T.K.-,editors[J].AdvancesinNeuralSystems12:547～sivakul.Multiclasssupportvectorma2

chinesusingadaptivedirectedacyclicgraph[D].InProceedingsofInternationalJointConferenceonNeuralNetworks(IJCNN2002):980～985.[12]　吴成东,等.基于误差修正码的支持向量机大类别分类方法

[J].沈阳建筑工程学院学报(自然科学版),2004,20(1):66～70.

[13]　FrancescoRicciandDavidW.Aha.EorrorCorrectingOutput

CodesforlocalLearners[J].ChenitzGermany.April1998:21～24.[14]　J.WestonandC.Watkins.Supportvectormachinesformulti

-classpatternrecognition[D].InProceedingsof7thEuropeanSymposiumonArtificialNeuralNetworks(ESANN’99):219～224.[15]　邱德红,等.融合无监督和监督学习策略生成的多分类决策

树[J].小型微型计算机系统,2004,25(4):555～558.[16]　郑春红,等.基于FSVM的雷达多目标识别[J].系统工程与

电子技术,2003,25(11):1358～1361.[17]　李昆仑,等.模糊多类支持向量机模型[J].电子学报,2004,

32(5)830～832.[18]　徐义田,等.基于SVM的分类算法与聚类分析[J].烟台大

学学报,2004,17(1):9～13.[19]　永杰,等.分级聚类支持向量机在汽轮机故障诊断中的应用

[J].华北电力大学学报,2003,30(6):25～29.[20]　廖闻剑,等.基于多分类器决策融合的印签真伪鉴别方法

[J].南京航空航天大学学报,2002,34(4):368～371.[21]　史朝晖.SVM算法研究及在HRRP分类中的应用[D].空军

工程大学导弹学院学位论文,2005,(1):52～54.

3　结论

SVM是基于两类问题提出的,将其应用于多类分类问题必须对SVM进行扩展使它适合于多类分类,这就需一定的策略。综上,我们有以下结论:对一个多类SVM,要么需组合几个二值分类器,要么需构造一个更大的最优化问题。因此,一般地说,多类问题的解决要比具有同样数据量的两类问题的解决复杂得多。现存的各种多类支持向量机虽已应用到实际中并取得了不错的效果,但每种方法都多多少少存在一定的缺陷,更进一步的研究还有待研究者们的继续努力。

参考文献

[1]　ErinL.Allwein,RobertE.Schapire.ReducingMulticlassto