基于支持向量機的選擇性集成算法研究.pdf

1、支持向量機是以統(tǒng)計學習理論為基礎的機器學習方法，在處理小樣本、非線性、高維數(shù)據(jù)中得到了很好的效果，它具有全局性最優(yōu)、結(jié)構(gòu)簡單、較好的推廣性能等優(yōu)點，已成功應用于諸多領域。然而，支持向量機算法仍然存在核函數(shù)及其參數(shù)的選取、對高維數(shù)據(jù)處理時間問題等諸多不足，這些不足會影響支持向量機穩(wěn)定性和泛化能力。
　　目前，支持向量機在訓練過程中大多數(shù)采用單個支持向量機，關(guān)于多個支持向量機相結(jié)合的研究并不多。集成學習通過多個學習器解決同一問題，能夠

2、顯著的提高學習系統(tǒng)的泛化能力。選擇性集成不僅在對集成系統(tǒng)中所占存儲和計算量較大的問題上有了很好的改善，而且能夠有效提高集成系統(tǒng)的分類準確度。因此，支持向量機的選擇性集成逐漸成為支持向量機研究中的一個重要方向。
　　本文主要對支持向量機、集成學習的理論基礎、實現(xiàn)方法以及在實際應用中做了系統(tǒng)的研究和分析。針對支持向量機在集成學習和選擇性集成學習中存在的問題，提出了基于和聲搜索算法的支持向量機選擇性集成方法，首先運用Bagging抽樣方