.png){kind=icon}
返回
Granular Ball K-Class Twin Support Vector Classifier
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.111636.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了基于粒球表示的K类双支持向量分类器（GB-TWKSVC），一种结合双支持向量机（TWSVM）与粒球计算的新型多类分类框架。该方法通过利用粒球表示提升噪声鲁棒性，并借助TWSVM的非平行超平面架构解决两个较小的二次规划问题，从而有效应对多类分类中的关键挑战，提高了计算效率。本研究提出了一种新颖的数学模型，能够有效处理多类场景，改进了传统的二类分类方法。在九个UCI基准数据集上的实验评估表明，GB-TWKSVC在准确率和计算性能方面均显著优于当前最优分类器，其准确率最高提升5%，计算速度比Twin-KSVC和1-versus-rest TSVM快50%。值得注意的是，该方法在Iris数据集上达到99.34%的准确率，在Ecoli数据集上达到91.04%，均超越了竞争方法。通过全面的统计检验和复杂度分析验证了该方法的有效性，并构建了数学严谨的框架。结果表明，GB-TWKSVC凭借其捕捉高维数据中细粒度特征的能力，在模式识别、故障诊断和大规模数据分析等领域具有应用潜力，是分类算法领域的一项重要进展。
Keyword:
Multi-class classification
Twin Support Vector Machine
Granular ball computing
Noise resistance
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Improvements on least squares twin multi-class classification support vector machine最小二乘孪生多类分类支持向量机的改进.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏A mechanical part fault diagnosis method based on improved multiscale weighted permutation entropy and multiclass LSTSVMMEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏
查看更多内容