学位论文 > 优秀研究生学位论文题录展示
在线学习的集成分类器研究
作 者: 卞桂龙
导 师: 沈海斌
学 校: 浙江大学
专 业: 电路与系统
关键词: 支持向量机 在线学习 壳向量 Learn++算法 增量学习
分类号: TP18
类 型: 硕士论文
年 份: 2014年
下 载: 13次
引 用: 0次
阅 读: 论文下载
内容摘要
在互联网领域,数据集是随着时间的推移不断产生的,所以在完整的数据集上进行机器学习是个几乎不可能的事情,这就需要学习器能够不断地进行学习,而传统的机器学习方法已经无法满足这一要求。在线学习就是针对上述情况应运而生的,目前在线学习的主要技术手段是增量学习。另一方面,支持向量机(SVM,Support Vector Machine)作为机器学习领域的一个重要研究分支,因为自身完善的数学理论和良好的实际应用效果,目前在很多领域都获得了应用。但支持向量机属于性能稳定的分类器,不能进行增量学习,并有“灾难性遗忘”现象。所以如何让支持向量机应用到在线学习领域,也成为了目前的研究热点。本文针对这一问题,进行了如下工作:首先,先简要介绍了支持向量机的数学理论基础、基本概念和算法优势。然后,详细地介绍了一种支持向量机的快速分类算法。该分类算法根据样本集的几何结构信息,先从样本集中挑选出位于样本集最边缘位置的样本—壳向量,并将其组成新的样本集,进行支持向量机的训练,从而找出最优分类超平面。由于在对样本集进行壳向量提取时,采用的是线性规划的运算操作,其次壳向量集组成的新样本集只是原样本集的一小部分,所以能有效地降低二次规划运算过程的复杂度,从而达到提高训练速度的目的。另外提取壳向量集时,支持向量等关键样本也同样被提取出来,不存在丢失现象,所以对原算法的精度不会造成太大影响。最后,本论文在上述算法的基础上提出了一种基于壳向量的支持向量机Learn++集成方法。该方法将壳向量引入到支持向量机基分类器的训练过程中,并对基分类器采用Learn++集成,使得集成后的支持向量机分类器不仅能够有效地进行增量学习,而且缩短了训练时间、减小了存储规模。实验结果表明,集成后的支持向量机分类器不但具有在线学习的能力,而且还可以避免“灾难性遗忘”现象的产生。
|
全文目录
致谢 4-5 摘要 5-6 Abstract 6-8 目录 8-10 图索引 10-11 表索引 11-12 1 绪论 12-24 1.1 机器学习 12-13 1.2 在线学习 13-14 1.3 国内外研究现状 14-21 1.3.1 增量学习 14-15 1.3.2 集成学习 15-21 1.4 支持向量机 21-22 1.5 论文创新点 22-23 1.6 论文章节安排 23-24 2 支持向量机 24-32 2.1 统计学习理论 24-28 2.1.1 学习模型 24 2.1.2 风险最小化问题 24-25 2.1.3 经验风险最小化原则 25-26 2.1.4 学习过程一致性的条件 26 2.1.5 VC维 26 2.1.6 推广性的界 26-27 2.1.7 结构风险最小化原则 27-28 2.2 支持向量机 28-31 2.2.1 支持向量机的基本概念 28-31 2.2.2 支持向量机的特点 31 2.3 本章小结 31-32 3 基于壳向量的支持向量机Learn++集成方法 32-45 3.1 引言 32-33 3.2 一种支持向量机的快速分类算法 33-38 3.2.1 壳向量的定义 33-34 3.2.2 非线性可分情况 34-35 3.2.3 求解壳向量 35-36 3.2.4 一种支持向量机的快速分类算法 36-37 3.2.5 壳向量求取的时间复杂度分析 37-38 3.3 基于壳向量的支持向量机Learn++集成方法 38-44 3.3.1 Learn++算法简介 39-42 3.3.2 基于壳向量的支持向量机Learn++集成方法 42-44 3.4 本章小结 44-45 4 实验与分析 45-48 4.1 实验数据设置 45 4.2 实验结果 45-47 4.3 本章小结 47-48 5 总结和展望 48-50 参考文献 50-54 作者简介 54-55 作者攻读硕士学位期间发表的论文 55
|
相似论文
- 基于SVM的常压塔石脑油干点软测量建模研究,TE622.1
- 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
- 基于PCA-SVM的液体火箭发动机试验台故障诊断算法研究,V433.9
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 音乐结构自动分析研究,TN912.3
- 基于三维重建的焊点质量分类方法研究,TP391.41
- 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
- 直推式支持向量机研究及其在图像检索中的应用,TP391.41
- 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
- 基于支持向量机的故障诊断方法研究,TP18
- 过程支持向量机及其在卫星热平衡温度预测中的应用研究,TP183
- 基于监督流形学习算法的固有不规则蛋白质结构预测研究,Q51
- 基于车载3D加速传感器的路况监测研究,TP274
- 高光谱图像技术诊断黄瓜病害方法的研究,S436.421
- CMC环境下大学生在线学习评价研究,G434
- 不匹配信道下耳语音说话人识别研究,TN912.34
- 基于文本挖掘的学者简历自动生成,TP391.1
- 基于特征选择的入侵检测研究,TP393.08
- 基于SVM的跨膜蛋白结构预测应用研究,Q51
- LS-SVM算法预测煤层瓦斯涌出量技术研究及应用,TD712.5
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
© 2012 www.xueweilunwen.com
|