基于復(fù)雜網(wǎng)絡(luò)的約簡LSSVM樣本篩選及其應(yīng)用.pdf

1、隨著科技的發(fā)展，現(xiàn)實中越來越多的數(shù)據(jù)被收集存儲到數(shù)據(jù)庫中，機器學(xué)習(xí)被用來挖掘數(shù)據(jù)中蘊藏的有用信息。基于數(shù)據(jù)的建模方法中當訓(xùn)練集樣本個數(shù)變?yōu)楹Ａ繒r，其計算過程的時間復(fù)雜度和空間復(fù)雜度將大大提高。雖然約簡支持向量機通過隨機縮小樣本集規(guī)模以減少支持向量的個數(shù)，并提高了計算速度，但在解決很多實際問題時，這種隨機的約簡訓(xùn)練集可能導(dǎo)致樣本中一些有用的信息丟失，降低了所建模型的泛化性能和精度。
　　本文提出了一種基于復(fù)雜網(wǎng)絡(luò)建模的樣本篩選方法用

2、于約簡最小二乘支持向量機模型。該復(fù)雜網(wǎng)絡(luò)模型首先構(gòu)造數(shù)據(jù)樣本，計算樣本間距離，得到表示網(wǎng)絡(luò)的鄰接矩陣和樣本集。通過以模塊度最大化為優(yōu)化目標，在樣本節(jié)點的復(fù)雜網(wǎng)絡(luò)中進行社區(qū)發(fā)現(xiàn)，獲得對應(yīng)問題不同情況下的樣本社區(qū)聚類。由于現(xiàn)實數(shù)據(jù)采集問題會出現(xiàn)異常點，根據(jù)制定的規(guī)則剔除異常點社區(qū)，并計算每個樣本節(jié)點的結(jié)合度，將結(jié)合度大的典型樣本構(gòu)成訓(xùn)練集，提高泛化性能并盡可能的保留原有樣本集中的有用信息實現(xiàn)樣本集的約簡，從而建立了約簡最小二乘支持向量機模型