Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
International Journal of Machine Learning and Cybernetics
Erschienen in: International Journal of Machine Learning and Cybernetics 6/2017

09.07.2016 | Original Article

Improved sparse LSSVMS based on the localized generalization error model

verfasst von: Binbin Sun, Wing W. Y. Ng, Patrick P. K. Chan

Erschienen in: International Journal of Machine Learning and Cybernetics | Ausgabe 6/2017

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The least squares support vector machine (LSSVM) is computationally efficient because it converts the quadratic programming problem in the training of SVM to a linear programming problem. The sparse LSSVM is proposed to promote the predictive speed and generalization capability. In this paper, two sparse LSSVM algorithms: the SMRLSSVM and the RQRLSSVM are proposed based on the Localized Generalization Error of the LSSVM. Experimental results show that the RQRLSSVM yields both better generalization capability and sparseness in comparison to other sparse LSSVM algorithms.
Vorheriger Artikel Background subtraction based on modified online robust principal component analysis
Nächster Artikel Backstepping control of MEMS gyroscope using adaptive neural observer

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Weitere Produktempfehlungen anzeigen
Literatur
1.
Suykens JAK, Vandewalle J (1999) Least squares support vector machine classifiers. Neural Process Lett 9(3):293–300CrossRefMATH
2.
Sun BB et al (2013) Hyper-Parameter Selection for Sparse Ls-Svm Via Minimization of Its Localized Generalization Error. Int J Wavel Multiresolution Inf Process 11(3):1350030CrossRefMATHMathSciNet
3.
van Gestel T et al (2004) Benchmarking least squares support vector machine classifiers. Mach Learn 54(1):5–32CrossRefMATH
4.
Jiao LC, Bo LF, Wang L (2007) Fast sparse approximation for least squares support vector machine. IEEE Trans Neural Networks 18(3):685–697CrossRef
5.
Yang LX et al (2014) Sparse least square support vector machine via coupled compressive pruning. Neurocomputing 131:77–86CrossRef
6.
Zhao YP, Sun JG (2009) Recursive reduced least squares support vector regression. Pattern Recogn 42(5):837–842CrossRefMATH
7.
Zhao YP et al (2012) An improved recursive reduced least squares support vector regression. Neurocomputing 87:1–9CrossRef
8.
Downs T, Gates KE, Masters A (2002) Exact simplification of support vector solutions. J Mach Learn Res 2(2):293–297MATHMathSciNet
9.
10.
Lee YJ, Huang SY (2007) Reduced support vector machines: a statistical theory. IEEE Trans Neural Networks 18(1):1–13CrossRef
11.
Lin KM, Lin CJ (2003) A study on reduced support vector machines. IEEE Trans Neural Networks 14(6):1449–1459CrossRef
12.
Carvalho BPR, Braga AP (2009) IP-LSSVM: a two-step sparse classifier. Pattern Recogn Lett 30(16):1507–1515CrossRef
13.
Zeng XY, Chen XW (2005) SMO-based pruning methods for sparse least squares support vector machines. IEEE Trans Neural Netw 16(6):1541–1546CrossRef
14.
Zhao YP, Wang KK, Li F (2015) A pruning method of refining recursive reduced least squares support vector regression. Inf Sci 296:160–174CrossRefMATHMathSciNet
15.
Suykens JA, Lukas L, Vandewalle J (2000) Sparse approximation using least square vector machines. In: IEEE Proc. Int. Symp. Circuits Syst., pp 757–760
16.
Gao JB, Kwan PW, Shi DM (2010) Sparse kernel learning with LASSO and Bayesian inference algorithm. Neural Netw 23(2):257–264CrossRef
17.
Liu JL et al (2011) A weighted L-q adaptive least squares support vector machine classifier—Robust and sparse approximation. Expert Syst Appl 38(3):2253–2259CrossRef
18.
Chen S, Hong X, Harris CJ (2008) An orthogonal forward regression technique for sparse kernel density estimation. Neurocomputing 71(4–6):931–943CrossRef
19.
Yeung DS, Li J-C, Ng WWY, Chan PPK (2016) MLPNN training via a multiobjective optimization of training error and stochastic sensitivity. IEEE Trans Neural Netw Learn Syst 27(5):978–992CrossRefMathSciNet
20.
Ng WWY et al (2008) Feature selection using localized generalization error for supervised classification problems using RBFNN. Pattern Recogn 41(12):3706–3719CrossRefMATH
21.
Yeung DS et al (2007) Localized generalization error model and its application to architecture selection for radial basis function neural network. IEEE Trans Neural Netw 18(5):1294–1305CrossRef
22.
Ng WWY et al (2015) Diversified sensitivity-based undersampling for imbalance classification problems. IEEE Tras Cybern 45(11):2402–2412CrossRef
23.
24.
Lu SX, Wang XZ, Zhang GQ, Zhou X (2015) Effective algorithms of the Moore–Penrose inverse matrices for extreme learning machine. Intell Data Anal 19(4):743–760CrossRef
Metadaten
Titel
Improved sparse LSSVMS based on the localized generalization error model
verfasst von
Binbin Sun
Wing W. Y. Ng
Patrick P. K. Chan
Publikationsdatum
09.07.2016
Verlag
Springer Berlin Heidelberg
Erschienen in
International Journal of Machine Learning and Cybernetics / Ausgabe 6/2017
Print ISSN: 1868-8071
Elektronische ISSN: 1868-808X
DOI
https://doi.org/10.1007/s13042-016-0563-6

Weitere Artikel der Ausgabe 6/2017

International Journal of Machine Learning and Cybernetics 6/2017 Zur Ausgabe

Original Article

A projected-based neural network method for second-order cone programming

Original Article

Sandwich control systems with impulse time windows

Original Article

On relationship between generalized rough multisets and multiset topologies

Original Article

Integrated artificial intelligence-based resizing strategy and multiple criteria decision making technique to form a management decision in an imbalanced environment

Original Article

Improving landmark detection accuracy for self-localization through baseboard recognition

Original Article

Multiple birth least squares support vector machine for multi-class classification

Neuer Inhalt

    Bildnachweise