基于ＳＶＭ的信息融合新方法

摘要：利用SVM對大規(guī)模數(shù)據(jù)進行訓練時，需要占用很大的內(nèi)存空間，甚至會因內(nèi)存不夠而無法訓練。為此，提出了將大規(guī)模數(shù)據(jù)分塊求解，然后將分塊求解的結(jié)果進行信息融合的新方法。首先訓練得到各模塊的支持向量，將所有支持向量進行融合，得到?jīng)Q策模型和一組支持向量。當有新的數(shù)據(jù)加入時，將其作為一個子模塊，訓練得到該模塊的支持向量，與原模型中獲得的支持向量進行融合，訓練得到新的決策模型。利用KDD CUP99數(shù)據(jù)進行實驗，結(jié)果表明該方法的測試精度與在所有數(shù)據(jù)集上訓練的精度相當，花費時間少，適用于增量學習。

關(guān)鍵詞：支持向量機； 信息融合； 增量學習

中圖分類號：TP391文獻標志碼：A

文章編號：1001-3695(2007)12-0051-03

SVM^[1，2]是最近發(fā)展起來的一種分類方法。它基于統(tǒng)計學習理論，根據(jù)結(jié)構(gòu)風險最小化原則，在經(jīng)驗風險和模型的復雜度之間折中，有較強的泛化能力，且具有全局最優(yōu)、與維數(shù)無關(guān)等特性。當數(shù)據(jù)線性不可分時，通過核函數(shù)，將數(shù)據(jù)映射到高維特征空間，使得數(shù)據(jù)線性可分。它本質(zhì)上是一個凸二次規(guī)劃問題，當訓練規(guī)模很大時，求解此最優(yōu)化問題要占用很大的內(nèi)存空間，會因內(nèi)存空間不夠而導致無法訓練。解決此類問題的有效方法是將大規(guī)模數(shù)據(jù)進行分塊，然后將各模塊的信息進行融合，從而得到最終結(jié)果。

信息融合^[3]又稱數(shù)據(jù)融合，是利用計算機技術(shù)對獲得的若干節(jié)點的觀測信息在一定準則下加以自動分析、綜合以完成所需的決策和估計任務而進行的信息處理過程。文獻[4]提出了用神經(jīng)網(wǎng)絡的方法來實現(xiàn)信息融合，在預測精度上獲得較好的效果。SVM是繼神經(jīng)網(wǎng)絡后，分類性能較好的一種技術(shù)。它在信息融合領(lǐng)域也逐漸得到應用，文獻[5~7]提出了多種基于SVM的信息融合方法，用各模塊訓練得到的模型對測試集進行判別，然后融合各模型的判別結(jié)果。但這些方法不適合增量學習。當有新的數(shù)據(jù)源加入時，融合模塊需重新執(zhí)行。

決策輸出融合方法和投票數(shù)融合方法用各模塊訓練得到的分類器對測試集進行判別，再根據(jù)判別結(jié)果進行融合，分類精度上不如后兩種方法，所花費的時間也較多。而且這兩種方法在增量學習中要對信息融合模塊重新處理，不能有效利用已有的信息。

對支持向量直接融合的方法在精度、漏報率和誤報率上均與在所有數(shù)據(jù)集上得到的結(jié)果相接近。說明在分類中起作用的只是其中占少數(shù)的支持向量，如表3所示。每個模塊得到的支持向量是很少的，大約占0.6%。所以信息融合模塊的規(guī)模相對較小，花費時間少。本文提出的方法預測精度甚至超過了對所有支持向量融合的結(jié)果，與在所有數(shù)據(jù)集上得到的結(jié)果最接近。說明本文方法在增量式學習中是有效的，具有較好的泛化能力。

4結(jié)束語

隨著網(wǎng)絡和數(shù)據(jù)庫技術(shù)的發(fā)展，對大規(guī)模數(shù)據(jù)處理的要求會越來越高。本文在研究了現(xiàn)有的基于SVM的信息融合方法的基礎(chǔ)上，提出了一種新的基于SVM融合的模型。通過實驗表明，這種方法在入侵檢測問題中得到了較高的分類精度，與在所有數(shù)據(jù)或所有支持向量上預測得到的精度相當，而且與其他信息融合方法相比，能利用已經(jīng)融合的信息，進行增量式學習。但如何使數(shù)據(jù)分解后仍保證它的全局最優(yōu)及如何推廣到分布式應用仍有待解決。

參考文獻：

[1]VAPIK V. 統(tǒng)計學習理論的本質(zhì)[M]. 張學工，譯.北京:清華大學出版社，2000.

[2]BURGES C J C. A tutorial on support vector machines for pattern recognition[J].Data Mining and Knowledge Discovery，1998，2(2):121-167.

[3]HALL D L，LLINAS J. An introduction to multisensor data fusion[J].Proceedings of IEEE， 1997， 85(1):6-23.

[4]WANG Mei， HOU Yuanbin. Neural network model based on anti-error data fusion[C]//Proc of the 4thInternational Conference on Machine Learning and Cybernetics.[S.l.]:IEEE Press，2005:18-21.

[5]YAN Weiwu， SHAO Huihe， WANG Xiaofan. Parallel decision models based on support vector machines and their application to distributed fault diagnosis[C]//Proc of American Control Conference. Denver:[s.n.]，2003:1770-1775.

[6]ZHAO Shuhe. Remote sensing data fusion using support vector machine[C]//Proc of 2004 Geoscience and Remote Sensing Symposium.Anchorage:[s.n.]，2004:2575-2578.

[7]HU Zhonghui， CAI Yunze， LI Yuangui， et al. Data fusion for fault diagnosis using multiclass support vector machines[J].Journal of Zhejiang University Science，2005，6A(10):1030-1039.

[8]PLATTJ C. Fast training of support vector machines using sequential minimal optimization[C]//Proc of Advances in Kernel Methods:Support Vector Learning. Cambridge:MIT Press，1999:185 -208.

[9]HSU C W，LIN C J. A comparison of methods for multiclass support vector machines[J].IEEETransactions on Neural Networks，2002， 46(13):415-425.

[10][DB/OL].[2006].http://kdd.ics.uci.edu/databases/kddcup99/kddcup99.html

[11]CHANG C C， LIN C J. LIBSVM:a library for support vector machines[EB/OL].[2006].http://www.csie.ntu.edu.tw/~cjlin/libsvm/.

“本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文”