基于SODM的支持向量机的多分类器融合算法

为了解决支持向量机算法在大样本处理的“过学习”现象，文章设计出在并行系统中使用的多分类器支持向量机算法，应用多支持向量机分类器系统代替单一分类器，解决了大样本数据集上学习内存开销大、训练速度慢的缺点；同时，提出了一种自组织选择性融合算法，根据终止法则找到最优复杂度的融合模型，自主更新各分类器并调整其分类性能，把各分类器的分类结果融合为最终的分类，有效解决了大样本多分类器融合受子样本分布状态影响、各分类器学习能力相差过大的缺点，从而提高了训练效率和分类效率。