学位论文 > 优秀研究生学位论文题录展示

支持向量机模型的相关研究

作　者: 梅玲
导　师: 李玉玲
学　校: 河南大学
专　业: 计算机应用技术
关键词: 支持向量机相似度样本约简高斯径向基核函数参数选择
分类号: TP181
类　型: 硕士论文
年　份: 2011年
下　载: 65次
引　用: 0次
阅　读: 论文下载

内容摘要

支持向量机是基于统计学习理论的一种新型机器学习方法。支持向量机具有坚实的理论基础、简洁的数学形式、直观的几何解释,而且能够较好地解决小样本、非线性、维数灾难和局部极小等问题,在诸多领域得到广泛的应用,成为人工智能和机器学习领域的研究热点。本文在分析了支持向量机相关理论的基础上,针对支持向量机模型训练和模型选择的相关问题展开讨论,主要研究了样本约简以及核函数参数选择的问题,在分析了现有算法优劣的基础上,提出了新的算法,并通过验证了新算法的可行性和有效性。本文的主要工作如下:1.提出了改进的基于相似度的二次样本约简算法。由于支持向量机的训练过程需要求解二次规划问题,样本数的多少直接影响二次规划问题的复杂度,本文通过样本约简算法在模型训练之前对样本集进行约简,缩小二次规划问题的规模,并提出用样本约简的思想来处理不平衡数据的分类问题,通过实验证实了该算法的可行性。2.提出一种快速高斯核函数参数选择算法。高斯核函数在实际中的应用十分广泛,并且选择的核参数较恰当时可以很好的将非线性问题映射到成高维特征空间中的线性问题。本文综合考虑了样本在特征空间中的距离信息以及样本的类别信息,提出一种快速高斯核函数参数选择算法,选参过程避免了支持向量机模型的训练过程,并通过实验对比证实算法的有效性。

全文目录

摘要  4-5
ABSTRACT  5-8
1 绪论  8-14
  1.1 研究背景及意义  8-9
  1.2 研究现状  9-12
    1.2.1 支持向量机模型训练问题的研究现状  9-10
    1.2.2 支持向量机模型选择问题的研究现状  10-12
  1.3 本文研究的主要内容及组织结构  12-14
2 支持向量机相关理论基础  14-20
  2.1 相关数学基础  14-15
  2.2 支持向量机基础  15-18
    2.2.1 分类超平面  15-16
    2.2.2 线性可分情况  16-18
    2.2.3 非线性可分情况  18
  2.3 核函数特征空间  18-19
    2.3.1 核函数的定义  18
    2.3.2 核函数的定理  18-19
    2.3.3 核函数的性质  19
    2.3.4 常用的核函数  19
  2.4 小结  19-20
3 支持向量机样本约简  20-32
  3.1 样本约简问题的引入  20
  3.2 现有样本约简算法的分析  20-21
  3.3 改进的基于相似度的二次约简算法  21-27
    3.3.1 算法所用的相关定义  21-22
    3.3.2 算法的基本思想  22-27
  3.4 不平衡数据分类问题  27-28
  3.5 实验结果及分析  28-31
    3.5.1 实验平台和数据集  28
    3.5.2 实验结果比较  28-31
  3.6 小结  31-32
4 高斯核函数参数选择  32-40
  4.1 问题的引入  32-33
  4.2 现有核参数选择算法的分析  33-34
  4.3 一种快速的高斯核函数参数选择算法  34-36
  4.4 仿真与实验  36-39
    4.4.1 实验数据集及参数设置  36-37
    4.4.2 训练结果比较  37-39
  4.5 小结  39-40
5 总结与展望  40-42
  5.1 本文的工作总结  40
  5.2 将来的工作展望  40-42
附录  42-46
参考文献  46-50
致谢  50-51
攻读硕士学位期间发表的学术论文及科研成果  51-52

支持向量机模型的相关研究

内容摘要

全文目录

相似论文