论文部分内容阅读
针对支持向量学习网络(SVN)学习稀疏样本数据集时,稀疏目标和非稀疏目标的分类器错误率严重失衡而实用性大大降低的问题,在拉格朗日乘数渐近分析基础上,引入惩罚校正因子、逆向训练样本和错误训练率等概念,提出了惩罚校正支持向量网络学习算法和校正方法,并将该方法应用于以CT图像特征数据集为基础的小麦籽种品质定级。等值分析说明该学习算法能有效地等级化籽种特征数据,准确率达95%;和其他同源方法的对比试验显示:针对稀疏样本集,该算法在获得可观综合预测准确性的同时,能显著改善稀疏样本集各目标分类器的预测错误率的极性分布