Generalized elastic net Lp-norm nonparallel support vector machine
Generalized elastic net Lp-norm nonparallel support vector machine
复制标题
广义弹性网Lp范数非并行支持向量机
DOI：
10.1016/j.engappai.2019.103397
复制
发表时间：
2020-02
影响因子：
8
通讯作者：
Yan-Ru Guo
中科院分区：
文献类型：
--
作者：
Chun-Na Li;Pei-Wei Ren;Yuan-Hai Shao;Ya-Fen Ye;Yan-Ru Guo
广义特征值近似支持向量机是第一个非并行支持向量机。与标准支持向量机相比，广义支持向量机更好地解决了异或问题。通过定义L2范数和Lq范数相结合的广义弹性网正则化，提出了一种广义弹性网Lp范数非并行近邻支持向量机(GLpNPSVM)，其中p，q>；0。GLpNPSVM通过Lp范数来度量样本到每个超平面的距离，因此通过选择合适的p可以达到期望的性能。此外，广义弹性网络正则化使得GLpNPSVM具有良好的泛化能力。GLpNP支持向量机是广义支持向量机，GEP支持向量机及其一些改进是GLpNPSVM的特例。引入了一种简单而有效的迭代技术来求解GLpNPSVM，并证明了它对一定的p，q>；0收敛。在不同类型的污染数据集上的实验结果表明了GLpNPSupport的有效性。
Generalized eigenvalue proximal support vector machine (GEPSVM) is the first nonparallel support vector machine. Compared to standard support vector machine (SVM), GEPSVM coped with the “Xor” problem well. In this paper, by defining a generalized elastic net regularization which is the combination of the L2-norm and Lq-norm, we propose a generalized elastic net Lp-norm nonparallel proximal support vector machine (GLpNPSVM), where p, q> 0. GLpNPSVM measures the distance of a sample to each hyperplane by the Lp-norm, and hence can achieve desired performance by choosing appropriate p. In addition, the generalized elastic net regularization makes GLpNPSVM own good generalization ability. GLpNPSVM is a generalized formulation, and GEPSVM and some of its improvements are special cases of GLpNPSVM. A simple but effective iterative technique is introduced to solve GLpNPSVM, and we prove its convergence for certain p, q> 0. Experimental results on different types of contaminated data sets show the effectiveness of GLpNPSVM.
登录
查看更多内容
MLTSVM：一种新颖的多标签学习双支持向量机
影响因子：
8
作者：
Chen, Wei-Jie;Shao, Yuan -Hai;Deng, Nai-Yang
通讯作者：
Deng, Nai-Yang
通过乘子交替方向法进行稳健和稀疏线性判别分析
DOI：
10.1109/tnnls.2019.2910991
发表时间：
2020
影响因子：
10.4
作者：
Li C N;Shao Y H;Yin W;Liu M Z
通讯作者：
Liu M Z
DOI：
--
发表时间：
1996
期刊：
--
影响因子：
--
作者：
C. Merz
通讯作者：
C. Merz
DOI：
10.1109/ijcnn.2015.7280343
发表时间：
2015-07
期刊：
2015 International Joint Conference on Neural Networks (IJCNN)
影响因子：
--
作者：
F. Dufrenois;J. Noyer
通讯作者：
F. Dufrenois;J. Noyer
影响因子：
4.8
作者：
P. Xanthopoulos;M. Guarracino;P. Pardalos
通讯作者：
P. Xanthopoulos;M. Guarracino;P. Pardalos