支持向量機分類算法研究與應(yīng)用.pdf

1、統(tǒng)計學習理論建立在結(jié)構(gòu)風險最小化原則基礎(chǔ)上，它是專門針對小樣本情況下的機器學習問題而建立的一套新的理論體系?；诮y(tǒng)計學習理論的支持向量機算法具有理論完備、全局優(yōu)化、適應(yīng)性強、推廣能力好等優(yōu)點，是機器學習研究的新熱點。它在最小化經(jīng)驗風險的同時，有效提高了算法的泛化能力，具有良好的應(yīng)用價值和發(fā)展前景。 本文首先系統(tǒng)研究了支持向量機的求解方法，討論了幾類主要的改善支持向量機的方法：二次規(guī)劃求解方法，分解算法，增量算法以及集成多種技術(shù)的

2、分類算法等。接下來對支持向量機算法和神經(jīng)網(wǎng)絡(luò)算法進行了全面的性能比較，通過仿真實驗反映兩者的性能差異，詳細說明了支持向量機在學習性能上的特點和優(yōu)勢。 此外，本文討論了支持向量機參數(shù)調(diào)整的各種方法，在構(gòu)造支持向量機的過程中，參數(shù)選擇是否合理，直接決定了學習機器的性能優(yōu)劣。本文中引入遺傳算法對支持向量機的核參數(shù)及誤差懲罰參數(shù)C 進行優(yōu)化選擇，使支持向量機具有較好的分類性能。實驗結(jié)果表明了基于遺傳算法的參數(shù)選擇方法的有效性和可行性。

3、 在第四章，本文重點提出了兩種支持向量機的改進算法。針對支持向量機在大規(guī)模數(shù)據(jù)集學習問題的處理中需要耗費很長的時間，文章提出一種數(shù)據(jù)預處理的方法對學習樣本進行聚類，以此為基礎(chǔ)得到一種模糊支持向量機，計算機仿真結(jié)果表明本文提出的算法與傳統(tǒng)的支持向量機訓練算法相比，在不降低分類精度的情況下，大大縮短了支持向量機的學習訓練時間。其次，當支持向量機算法處理較小的學習樣本集時，結(jié)合距離判別的方法，本文提出了一種改進算法，能有效提高了學習機