基于支持向量機的算法及應用研究.pdf

1、支持向量機是一種機器學習方法,它以統(tǒng)計學理論為基礎,在解決小樣本非線性問題上表現(xiàn)出了特有的優(yōu)勢,自提出以來,一直受到重視。目前仍存在很多問題尚未解決,因此需要對支持向量機進行深入的研究。本文對傳統(tǒng)支持向量機算法進行了改進,并將支持向量回歸機應用到實際問題中。本文主要的工作如下:
　　第一,支持向量機在處理不平衡樣本集時,對少類樣本點的分類效果不太理想。提出一種對多類樣本集的欠采樣方法。該方法可以有效地減少多類樣本的樣本點,使分類面

2、向樣本點較多的樣本點移動。結合標準數(shù)據(jù)庫中的數(shù)據(jù)集,使用提出的算法進行仿真實驗,實驗結果表明該方法可以有效地提高分類性能。
　　第二,針對支持向量機處理大樣本集所用的時間空間較大的問題,提出一種支持向量機縮減算法,在保持分類正確率的前提下,縮減樣本集和支持向量的數(shù)目。
　　第三,參數(shù)的選取對支持向量機性能的影響較大,并且通常的選取參數(shù)方法所需的時間較長。雖然核校準廣泛應用于支持向量機參數(shù)選取問題中,但是它仍存在不足。綜合核校