论文部分内容阅读
训练样本选择是支持向量机的一个重要研究课题。但是,目前大部分样本选择方法的一个共同的不足就是,其训练样本的候选集是整个样本空间,因此可能会选择一些对分类效果影响不大的内部样本,或者选择一些可能会降低分类效果的"过边界"样本。提出了两种基于"有效"候选集的样本选择方法。该方法首先通过"挖心"和剔除"过边界"样本来确定训练样本的"有效"候选集,然后在此"有效"候选集上进行训练样本的选择。实验结果表明,该方法在保留"有效"候选样本的同时,也提高了支持向量机分类器的正确识别率。