第5期 史颂辉，等：基于能量的结构化最小二乘李生支持向量机 ·1017· 表3径向基核函数下精确度的比较 的分类准确率高达86.96%。图2(b)显示当E+: Table 3 Comparison of accuracies using RBF kernel E.=4:3时，算法在Liver数据集上的分类准确率 1-v-l 1-V-r ILST- 本文 数据集 MBLSSVM 高达71.15%。图2(c)显示当E+=0.8,E_=0.7时， LSTWSVM LSTWSVM KSVC 算法 算法在Breast数据集上的分类准确率高达77.38%. Iris 95.03 96.1280.00 94.87 98.00 图2(d)显示当E,:E_=1:1时，算法在Ionosphere Wine 74.34 76.69 91.89 71.77 75.17 数据集上的分类准确率高达88.68%。由此可知， Vowel 97.86 98.64 98.28 96.09 98.93 可以通过寻找最优能量参数来确定最优超平面。 Balance 88.91 90.12 91.06 87.81 91.40 Vehicle 80.79 80.25 58.77 75.71 81.20 Z00 96.93 97.11 96.72 95.61 97.62 0.9 Segment 84.54 85.32 75.76 93.31 93.79 0.8 100 0.7 0.6 90 80 0的 70 246810 0 E+ 60 (a)Heart 50 0 Balance Segmen 07 0 -1mL TWSVM---r LSTWSVM-▲，LS-KsVC-t-MBLSSVM-◆OURs 0.5 (a)线性核函数下精确度的比较 100 10 6 8 90 024 E+ (b)Liver 80 0.8 10 0.7 60 0.6 Vow Balance 0.5 Segment 0行 -l-ILSTWSVM--r STWSVM▲，LST-KSVC-.M1SSVM-◆OURs (b)径向基核函数下精确度的比较 0246810 图1算法精确度的比较 (c)Breast Fig.1 Comparison of algorithm accuracies 3.2能量参数E,和E对算法性能的影响 0.90 为了分析能量参数E.和E对ES-LSTWS- 0.85 盟0.80 VM的分类性能的影响，在Heart、Liver、.Breast和 是0.75 Ionosphere数据集上进行了实验。通过引入可变能 0.70 量参数，所提出的分类器将做出相应的调整以减少 噪声干扰。并使用网格搜索对参数进行选择。为 5 了只考虑能量参数对实验结果的影响，将E$- 0246810 LSTWSVM中的其他参数设置为固定值。图2显 (d)Ionosphere 示了分类性能在Australian、Heart和Diabetes数据 图2能量参数E+和E-对ES-LSTWSVM性能的影响 集上随能量参数E,和E_的变化而变化。图2(a) Fig.2 Effect of energy parameters(E,andE_)on the per- 显示当E+=0.7,E_=1.0时，算法在Heart数据集上 formance of the ES-LSTWSVM表 3 径向基核函数下精确度的比较 Table 3 Comparison of accuracies using RBF kernel 数据集 1-v-1 LSTWSVM 1-v-r LSTWSVM ILST￾KSVC MBLSSVM 本文 算法 Iris 95.03 96.12 80.00 94.87 98.00 Wine 74.34 76.69 91.89 71.77 75.17 Vowel 97.86 98.64 98.28 96.09 98.93 Balance 88.91 90.12 91.06 87.81 91.40 Vehicle 80.79 80.25 58.77 75.71 81.20 Zoo 96.93 97.11 96.72 95.61 97.62 Segment 84.54 85.32 75.76 93.31 93.79 Iris Wine Vowel Balance Vehicle Zoo Segment 100 90 80 70 60 50 40 1-v-1 LSTWSVM 1-v-r LSTWSVM ILST-KSVC MBLSSVM OURS (a) 线性核函数下精确度的比较 Iris Wine Vowel Balance Vehicle Zoo Segment 100 90 80 70 60 1-v-1 LSTWSVM 1-v-r LSTWSVM ILST-KSVC MBLSSVM OURS (b) 径向基核函数下精确度的比较 准确率/% 准确率/% 图 1 算法精确度的比较 Fig. 1 Comparison of algorithm accuracies 3.2 能量参数 E+ 和 E− 对算法性能的影响 E+ E− E+ E− E+ = 0.7, E− = 1.0 为了分析能量参数 和 对 ES-LSTWS￾VM 的分类性能的影响，在 Heart、Liver、Breast 和 Ionosphere 数据集上进行了实验。通过引入可变能 量参数，所提出的分类器将做出相应的调整以减少 噪声干扰。并使用网格搜索对参数进行选择。为 了只考虑能量参数对实验结果的影响，将 ES￾LSTWSVM 中的其他参数设置为固定值。图 2 显 示了分类性能在 Australian、Heart 和 Diabetes 数据 集上随能量参数 和 的变化而变化。图 2(a) 显示当 时，算法在 Heart 数据集上 E+ : E− = 4 : 3 E+ = 0.8,E− = 0.7 E+ : E− = 1 : 1 的分类准确率高达 86.96%。图 2(b) 显示当 时，算法在 Liver 数据集上的分类准确率 高达 71.15%。图 2(c) 显示当 时， 算法在 Breast 数据集上的分类准确率高达 77.38%。 图 2(d) 显示当 时，算法在 Ionosphere 数据集上的分类准确率高达 88.68%。由此可知， 可以通过寻找最优能量参数来确定最优超平面。 0.9 0.8 0.7 0.6 0.5 10 5 0 2 4 6 8 10 E- E+ E+ 准确率 (a) Heart 0.8 0.7 0.6 0.5 0.4 10 5 0 2 4 6 8 10 准确率 (b) Liver 0.8 0.7 0.6 0.5 0.4 10 5 0 2 4 6 8 10 准确率 (c) Breast 0.90 0.85 0.80 0.75 0.70 0.65 10 5 0 2 4 6 8 10 准确率 (d) Ionosphere E- E+ E+ E- E- 图 2 能量参数 E+ 和 E− 对 ES-LSTWSVM 性能的影响 Fig. 2 Effect of energy parameters ( E+and E−) on the per￾formance of the ES-LSTWSVM 第 5 期 史颂辉，等：基于能量的结构化最小二乘孪生支持向量机 ·1017·