文献类型：期刊文献

中文题名：可拓支持向量分类机

英文题名：Extension support vector classification machine

作者：陈晓华[1];刘大莲[2];田英杰[3];李兴森[4]

第一作者：陈晓华

机构：[1]北京联合大学教务处;[2]北京联合大学基础部;[3]中国科学院虚拟经济与数据科学研究中心;[4]浙江大学宁波理工学院管理学院

第一机构：北京联合大学教务处

年份：2018

卷号：13

期号：1

起止页码：147-151

中文期刊名：智能系统学报

外文期刊名：CAAI Transactions on Intelligent Systems

收录：CSTPCD;;北大核心:【北大核心2017】；CSCD:【CSCD2017_2018】；

基金：国家自然科学基金项目(61472390;11271361;71331005);北京市自然科学基金项目(1162005)

语种：中文

中文关键词：数据挖掘;可拓学;分类;支持向量机;最优化;最优化核函数;先验知识;统计学习理论

外文关键词：data mining; extension; classification; support vector machine; optimization; kernel function; prior know-ledge; statistical learning theory

摘要：针对分类问题,基于可拓学的思想,提出了可拓支持向量分类机算法。与标准的支持向量分类机不同,可拓支持向量机在进行分类预测的同时,更注重于找到那些通过变化特征值而转换类别的样本。文中给出了可拓变量和可拓分类问题的定义,并构建了求解可拓分类问题的两种可拓支持向量机算法。把可拓学与SVM结合是一种新的方向,文中所提出的算法还有待进一步的理论分析,将在未来的工作里,继续探索如何在可拓学的基础上,构建更加完善的可拓SVM方法。
We propose an extension support vector machine（ESVM） to address the classification problem. Unlike the standard support vector machine, ESVM considers samples that can be converted into different labels by changing some feature values. We define the extension variables and extension classification problems and construct the corresponding optimization problem using a heuristic algorithm. In the future, we will improve the proposed method to incorporate the extension theory.