Boosting集成支持向量機的研究.pdf

1、　　機器學習是人工智能的一個重要組成部分，是人工智能中重點研究的核心領(lǐng)域。集成學習作為一種新的機器學習方法，由于其能夠很好地提高學習系統(tǒng)的泛化能力，因此，成為機器學習領(lǐng)域內(nèi)一個重要的研究方向。Boosting算法作為集成學習方法中一個典型代表，已經(jīng)被應用到機器學習的各個領(lǐng)域。支持向量機是Vapnik于1995年首先提出的，由于其對一些非線性、小樣本和高維模式下的問題具有很好的學習效果，因此，支持向量機得到了很快的發(fā)展并且應用到很多實際的

2、方面，如文本分類、手寫識別、人臉識別和函數(shù)擬合等。隨著Boosting算法和支持向量機的廣泛應用，算法性能的提高越來越受到研究學者的重視。
　　本文的主要研究工作是：首先對數(shù)據(jù)進行預處理，進行歸一化處理，然后采用粒子群優(yōu)化算法對支持向量機的參數(shù)進行優(yōu)化，采用支持向量機對數(shù)據(jù)進行分類或回歸的實驗，為了提高分類或回歸的精度，本文提出了 Boosting 集成支持向量機(Boosting-SVM)的算法，讓支持向量機做 Boosti

3、ng 算法中的弱學習機，然后對學習機進行有權(quán)重的投票方式進行集合學習，從而獲得了更好的分類和回歸效果，得到更高的精度。采用SVM算法和Boosting-SVM 算法在多個 UCI 數(shù)據(jù)集上進行分類和回歸對比試驗，實驗結(jié)果表明， Boosting-SVM比單個支持向量機的方法具有更高的分類和回歸精度。
　　本文將Boosting-SVM方法應用到對胎兒體重的預測。近年來，隨著生活水平的普遍提高，胎兒的平均體重也在逐漸增加，導致了