鲁棒局部嵌入的孪生支持向量机在非线性分类中的应用

"基于鲁棒局部嵌入的孪生支持向量机" 本文是一篇研究论文，主要探讨了如何改进非平行超平面支持向量机（NHSVM）的分类性能，特别是在处理局部几何结构和野值样本点影响方面。作者花小朋和丁世飞提出了一种名为“基于鲁棒局部嵌入的孪生支持向量机”（ARLEBTSVM）的新方法。 传统的NHSVM方法在处理分类任务时，只关注全局信息而忽略训练样本之间的局部关系。而ARLEBTSVM则引入了鲁棒局部线性嵌入（ARLE）的思想，旨在同时保留训练样本的局部信息并抑制野值样本点对嵌入过程的干扰。这种方法能够增强模型的泛化能力，特别是对于处理XOR问题这类复杂分类任务有显著优势。 为了应对非线性分类问题，ARLEBTSVM结合了核映射技术，构建了非线性版本的模型。通过这种方式，即使在数据分布非线性的情况下，也能有效地捕捉数据的内在结构。 论文进行了人造数据集和真实数据集上的实验，结果显示ARLEBTSVM相比于传统方法在分类性能上有明显提升。这表明该方法在实际应用中可能具有较高的效率和准确性。 关键词涉及的领域包括分类、非平行超平面支持向量机、局部线性嵌入、XOR问题以及核映射。这篇论文的分类号为TP391.4，文献标志码为A，文章编号为1672−7207(2015)01−0149−08，发表在2015年1月的《中南大学学报(自然科学版)》第46卷第1期。 总结来说，这篇论文提出了一个创新的分类算法，通过融合鲁棒局部嵌入和孪生支持向量机的概念，提高了对非线性数据和局部信息处理的能力，为机器学习和数据挖掘领域的分类问题提供了新的解决方案。