Известия высших учебных заведений

Прикладная нелинейная динамика

ISSN 0869-6632 (Online)
ISSN 2542-1905 (Print)


Образец для цитирования:

Ковальчук А. В., Беллюстин Н. С. Алгоритм классфикации потоковых сигналов на основе последовательной машины опорных векторов //Изв. вузов. ПНД. 2015. Т. 23, вып. 5. С. 62-79. DOI: https://doi.org/10.18500/0869-6632-2015-23-5-62-79

Язык публикации: 
русский

Алгоритм классфикации потоковых сигналов на основе последовательной машины опорных векторов

Авторы: 
Ковальчук Андрей Викторович, Институт прикладной физики РАН (ИПФ РАН)
Беллюстин Николай Сергеевич, Научно-исследовательский радиофизический институт
Аннотация: 

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  

DOI: 
10.18500/0869-6632-2015-23-5-62-79
Библиографический список: 

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.

Краткое содержание: