粒度支持向量機學習方法研究.pdf

1、支持向量機(Support Vector Machine，SVM)是近年來受到廣泛關(guān)注的一類學習機器，它以統(tǒng)計學習理論（Statistical Learning Theory, SLT）為基礎(chǔ)，具有簡潔的數(shù)學形式、標準快捷的訓(xùn)練方法和良好的泛化性能，已廣泛應(yīng)用于模式識別、函數(shù)估計和時間序列預(yù)測等數(shù)據(jù)挖掘問題。然而，由于支持向量機的學習效率主要取決于數(shù)據(jù)的規(guī)模，迄今為止，針對實際問題中的大規(guī)模數(shù)據(jù)集，支持向量機并未達到人們期待的處理效率。

2、因此如何提高支持向量機的學習效率就成為支持向量機研究所關(guān)注的焦點，這也是本文研究的出發(fā)點。
　　本文將粒度計算方法與支持向量機相融合，對粒度支持向量機(Granular SupportVector Machine，GSVM)的學習機制和學習算法進行系統(tǒng)的研究，主要內(nèi)容如下:
　　(1)對現(xiàn)有的支持向量機與粒度計算具體模型的結(jié)合方法進行了系統(tǒng)的分析。
　　(2)探索了粒度支持向量機的內(nèi)在學習機制，在SVM學習框架下，引入

3、粒與粒的內(nèi)積運算，建立粒度核函數(shù)并將之運用于粒度支持向量機的學習之中。首先按樣本標簽將數(shù)據(jù)集分為多個粒，然后將每個?？醋鲄⑴cSVM的訓(xùn)練。通過控制粒的多少從而控制粒的粗細進行訓(xùn)練，最終可以在訓(xùn)練速度和泛化性能之間找到滿意的折衷。實驗表明，運用粒度核支持向量機可以使訓(xùn)練速度大大提高，同時可獲得令人滿意的泛化能力。
　　(3)提出了一種基于指數(shù)相似度的粒度支持向量機學習方法。針對粒度計算在大規(guī)模數(shù)據(jù)集處理方面的應(yīng)用，本文引入指數(shù)相似度