分布式多分类支持向量机

【摘要】：实际中存在大量基于多分类的大样本数据集的问题。针对单一SVM解决该类问题时计算时间长、占用内存大等缺点,提出了一种分布式多分类支持向量机模型,并针对其中的子多分类SVM模型的参数选择问题,采用遗传算法来寻找具有最优性能的超参数组合,即通过最小输出编码方式,将解决多分类问题的多个二分类支持向量机整合形成单个多分类支持向量机,并把多分类支持向量机的分类正确率作为遗传算法的适应度函数,所得超参数对应的子多分类SVM模型具有较好的泛化性能。最后将分布式多分类支持向量机模型用于手写数字识别中,通过对仿真结果的对比和分析,表明该模型具有较高的精度,提高了模型的泛化能力。