论文研究Kmeans聚类与SVDD结合的新的分类算法.pdf

为了提高支持向量数据描述(SVDD)的分类精度，引入局部疏密度提出了改进的SVDD算法。该算法提高了分类精度，但增加了计算复杂度。为此，先用K-means聚类将整个数据集划分为k个簇，再用改进的SVDD算法并行训练k个簇，最后再对获得的k个局部支持向量集训练，即得到最终的全局决策边界。由于采用了分而治之并行计算的方法，提高了算法的效率。对合成数据(200个)和实际数据的实验结果表明，所提算法较SVDD算法，训练时间降低为原来的10%，分类错误率较原来的降低了近一半。因此，所提算法提高了分类精度和算法效率。