支持向量機和非負(fù)矩陣分解理論方法的應(yīng)用.pdf

1、支持向量機(Support Vector Machine,SVM)最初于20世紀(jì)90年代由Vapnik提出,它采用和傳統(tǒng)方法不同的統(tǒng)計學(xué)習(xí)理論(SLT)為基礎(chǔ),是借助最優(yōu)化方法解決機器學(xué)習(xí)問題的一種數(shù)據(jù)挖掘新工具。近年來隨著研究的不斷深入,其理論研究和實際應(yīng)用都取得了突破性進(jìn)展,尤其對維數(shù)災(zāi)難和過學(xué)習(xí)等傳統(tǒng)方法較難解決的問題表現(xiàn)出了較大的優(yōu)勢,并非常成功的處理了回歸和模式識別等諸多問題。目前,SVM已成為國際上機器學(xué)習(xí)領(lǐng)域研究的熱點。<

2、br>　　 非負(fù)矩陣分解(Non-negative Matrix Factorization,NMF)理論由D.D.Lee和H.S.Seung于1999年在《Nature》上首次提出,它提取圖像的局部特征,更加符合心理學(xué)和生理學(xué)對事物的直觀理解,由于其非負(fù)性的約束,也使得非負(fù)矩陣分解不同于以往的矩陣分解,它克服了傳統(tǒng)矩陣分解的不足,使分解后的所有分量均為非負(fù)值,也就是要求純加性的描述,并且實現(xiàn)了非線性的維數(shù)約減,在提出之始就引起了國內(nèi)

3、外學(xué)者的廣泛關(guān)注。非負(fù)矩陣分解最初成功應(yīng)用在人臉識別方面,近些年來己涉及到信號處理,生物醫(yī)學(xué)工程,模式識別,計算機視覺,網(wǎng)絡(luò)安全等眾多研究領(lǐng)域。
　　 本文主要圍繞SVM和NMF相關(guān)理論展開,主要工作有如下兩個部分:
　　 1.首次使用基于正態(tài)分布概率的π型隸屬度函數(shù)來計算模糊支持向量機(FSVM)樣本點的隸屬值,根據(jù)正態(tài)分布的特性,在考慮數(shù)據(jù)分布規(guī)律的同時求得數(shù)據(jù)點的隸屬值,使求得的數(shù)據(jù)能夠更加準(zhǔn)確的反應(yīng)樣本的分布特點