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
Wireless Personal Communications
Erschienen in: Wireless Personal Communications 1/2018

05.02.2018

Weighted Least Squares Support Vector Machine for Semi-supervised Classification

verfasst von: Zhanwei Liu, Houquan Liu, Zhikai Zhao

Erschienen in: Wireless Personal Communications | Ausgabe 1/2018

Einloggen

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

search-config
loading …

Abstract

The recently proposed semi-supervised least squares support vector machine (SLS-SVM), extends support vector machine (SVM) to semi-supervised learning field. However, the support value in SLS-SVM is not zero and the solution is lack of sparseness. To overcome this drawback, a weighted semi-supervised SLS-SVM (WSLS-SVM) is proposed in this paper, where the impact of labeled and unlabeled samples can be controlled by weighting the corresponding error. It is basically a pruning method according to the sorted weight of estimation error. To solve the proposed classifier, an efficient progressive learning algorithm is presented to reduce the iteration. Experimental results on several benchmarks data sets confirm the sparseness and the effectiveness of the proposed method.
Vorheriger Artikel Research on Credible Demand Analysis Method Based on Risk Driven Mobile Application Software
Nächster Artikel ALIC: A Low Overhead Compiler Optimization Prediction Model

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

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+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 "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
Literatur
1.
Hirai, H., Murota, K., & Rikitoku, M. (2017). Electric network classifiers for semi-supervised learning on graphs. Journal of the Operations Research Society of Japan, 50(3), 219–232.MathSciNetCrossRef
2.
Chapelle, O., Sindhwani, V., & Keerthi, S. S. (2008). Optimization techniques for semi-supervised support vector machines. Journal of Machine Learning Research, 9(1), 203–233.MATH
3.
Li, Y. F., & Zhou, Z. H. (2015). Towards making unlabeled data never hurt. IEEE Transactions on Pattern Analysis and Machine Intelligence, 37(1), 175–188.CrossRef
4.
Li, Y. F., Tsang, I. W., Kwok, J. T., et al. (2013). Convex and scalable weakly labeled SVMs. Journal of Machine Learning Research, 14(1), 2151–2188.MathSciNetMATH
5.
Singla, A., Patra, S., & Bruzzone, L. (2014). A novel classification technique based on progressive transductive SVM learning. Pattern Recognition Letters, 42(1), 101–106.CrossRef
6.
Tian, Y., & Luo, J. (2017). A new branch-and-bound approach to semi-supervised support vector machine. Soft Computing, 21(1), 245–254.MathSciNetCrossRef
7.
Bai, Y., & Yan, X. (2016). Conic relaxations for semi-supervised support vector machines. Journal of Optimization Theory and Applications, 169(1), 299–313.MathSciNetCrossRef
8.
Adankon, M. M., & Cheriet, M. (2010). Genetic algorithm–based training for semi-supervised SVM. Neural Computing and Applications, 19(8), 1197–1206.CrossRef
9.
Gieseke, F., Airola, A., Pahikkala, T., et al. (2014). Fast and simple gradient-based optimization for semi-supervised support vector machines. Neurocomputing, 123(1), 23–32.CrossRef
10.
Reddy, I. S., Shevade, S., & Murty, M. N. (2011). A fast quasi-Newton method for semi-supervised SVM. Pattern Recognition, 44(10), 2305–2313.CrossRef
11.
Gestel, T., Suykens, J., et al. (2004). Benchmarking least squares support vector machine classifiers. Machine Learning, 54(1), 5–32.CrossRef
12.
Adankon, M. M., Cheriet, M., & Biem, A. (2009). Semisupervised least squares support vector machine. IEEE Transactions on Neural Networks, 20(12), 1858.CrossRef
13.
Zhang, R., Wang, W., Ma, Y., et al. (2009). Least square transduction support vector machine. Neural Process Letters, 29(2), 133–142.CrossRef
14.
Ding, S., Hua, X., & Yu, J. (2014). An overview on nonparallel hyperplane support vector machine algorithms. Neural Computing and Applications, 25(5), 975–982.CrossRef
15.
Yang, L., Yang, S., Zhang, R., et al. (2014). Sparse least square support vector machine via coupled compressive pruning. Neurocomputing, 131(9), 77–86.CrossRef
16.
Jiao, L., Bo, L., & Wang, L. (2007). Fast sparse approximation for least square support vector machine. IEEE Transactions on Neural Networks, 18(3), 685–697.CrossRef
Metadaten
Titel
Weighted Least Squares Support Vector Machine for Semi-supervised Classification
verfasst von
Zhanwei Liu
Houquan Liu
Zhikai Zhao
Publikationsdatum
05.02.2018
Verlag
Springer US
Erschienen in
Wireless Personal Communications / Ausgabe 1/2018
Print ISSN: 0929-6212
Elektronische ISSN: 1572-834X
DOI
https://doi.org/10.1007/s11277-018-5478-y

Weitere Artikel der Ausgabe 1/2018

Wireless Personal Communications 1/2018 Zur Ausgabe

OriginalPaper

An Optimization Algorithm of Energy Management for HEB Based on Pontryagin’s Minimum Principle

OriginalPaper

Adaptive Information Granulation in Fitness Estimation for Evolutionary Optimization

OriginalPaper

An information Content-Based Approach for Measuring Concept Semantic Similarity in WordNet

OriginalPaper

ANSYS is Used on Drilling Inner Blind Hole on Deep Hole

OriginalPaper

Application of Multifractal Spectrum Calculation Program in Rubber Wear Under High Temperature

OriginalPaper

An Adaptive Tabu Search Algorithm for the Open Vehicle Routing Problem with Split Deliveries by Order

Neuer Inhalt

    Bildnachweise