学位论文 > 优秀研究生学位论文题录展示
基于凸包估计的SVM核参数选择方法研究
作 者: 门昌骞
导 师: 王文剑
学 校: 山西大学
专 业: 计算机应用技术
关键词: 统计学习理论 支撑向量机 核选择 泛化误差界 凸包估计法 分类
分类号: TP181
类 型: 硕士论文
年 份: 2006年
下 载: 113次
引 用: 0次
阅 读: 论文下载
内容摘要
支撑向量机(Support Vector Machine,SVM)是近年来受到广泛关注的一类学习机器,它以统计学习理论(Statistical Learning Theory,SLT)为基础,具有简洁的数学形式、标准快捷的训练方法和良好的泛化性能,已广泛应用于模式识别、函数估计和时间序列预测等数据挖掘问题。目前SVM的研究热点主要有:SVM的模型选择、快速学习算法研究等。由于支撑向量机是一种基于核的学习方法,所以核及相关参数的选取对泛化能力有着重要的影响,进而对支撑向量机的性能也有着重要的影响。如何有效地进行核及相关参数的选择是支撑向量机研究领域的一个重要问题。本文对于SVM的核及相关参数的选择问题进行了系统的研究,主要内容如下: (1)对现有核选择方法进行了详细的分析和研究。 (2)提出了基于R~2/△~2最小化估计的泛化误差界非优化估计方法。目前大多数的核参数选择方法都是通过极小化R~2/△~2来得到最优参数值,但是求解优化问题的计算代价相当的大,并且不能很好地体现数据的分布特征。本文采用非优化技术,通过极小化泛化误差来优化核及相关参数,由于直接计算最小半径和最大间隔,避免了对优化问题的直接求解,因此可以很好地降低计算代价。并且该方法直接从样本出发,可以很好地体现数据的分布特征,不管数据分布是否均匀都可以适用。 (3)给出了基于凸包估计的R~2/△~2的近似表达。本文利用分类问题的
|
全文目录
第一章 引言 12-16 1.1 研究背景 12-14 1.2 国内外研究现状 14-15 1.3 论文的主要工作 15-16 第二章 统计学习理论和支撑向量机 16-24 2.1 统计学习理论 16-19 2.1.1 学习问题的一般表示 16-17 2.1.2 学习机器泛化能力的界 17-19 2.2 SVM简介 19-24 2.2.1 线性硬间隔 SVM 20-21 2.2.2 线性软间隔 SVM 21-22 2.2.3 核映射 22-24 第三章 核参数选择方法的分析与研究 24-29 3.1 泛化误差上界的估计方法 24-27 3.1.1 验证集估计(validation estimate) 24 3.1.2 留一法(leave-one-out)上界 24-27 3.2 最优参数的选取 27-29 第四章 基于凸包估计的核及参数选择方法 29-35 4.1 基于凸包估计的核选择方法 29-32 4.2 凸包估计的核选择方法的实现 32-35 第五章 数值实验 35-41 5.1 近似凸包构造 35 5.2 高斯核参数选择 35-39 5.2.1 高斯核参数分析 35-36 5.2.2 数据集说明 36-37 5.2.3 实验结果及分析 37-39 5.3 核函数选择 39-41 第六章 结论和展望 41-43 参考文献 43-46 致谢 46-47 附录 47-48
|
相似论文
- K公司计划及预测改进对于合理库存配置的研究,F224
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 基于词义及语义分析的问答技术研究,TP391.1
- 基于三维重建的焊点质量分类方法研究,TP391.41
- 基于串核的蛋白质分类算法的研究与实现,TP301.6
- 统计与语言学相结合的词对齐及相关融合策略研究,TP391.2
- 上下文相关的词汇复述研究,TP391.1
- 基于仿生模式识别的文本分类技术研究,TP391.1
- 互联网上旅游评论的情感分析及其有用性研究,TP391.1
- 基于SVM的中医舌色苔色分类方法研究,TP391.41
- 基于图像的路面破损识别,TP391.41
- 多样性密度学习算法的研究与应用,TP181
- 运动特征及地形约束的感知网目标跟踪算法及系统研究,TP212.9
- 计算智能在数字化卷烟叶组配方中的应用研究,TS44
- 基于中国土壤系统分类的土壤类型和界线确定研究,S155
- 弯孢属种分子鉴定体系的建立及其在疑难种上的应用,Q949.32
- 基于视觉的番木瓜外观品质检测技术研究,S667.9
- 面向公众的教育视频共建共享平台的设计与实践研究,G434
- 基于土壤系统分类的土壤调查方法研究,S155
- 西藏生防芽孢杆菌鉴定及其脂肽化合物分析,S476.1
- 基因表达谱数据聚类分析方法比较与大豆疫霉基因的网络构建,S435.651
中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论 > 自动推理、机器学习
© 2012 www.xueweilunwen.com
|