支持向量機分類算法的若干研究.pdf

1、支持向量機（Support Vector Machine，SVM）是在統(tǒng)計學習理論基礎上發(fā)展起來的一種性能優(yōu)良的機器學習方法，它越來越多地被應用到數(shù)據(jù)挖掘，模式識別，信號處理等領域中，并取得巨大成功，因此研究支持向量機的性能具有十分重要的意義。影響支持向量機性能的因素有很多，如核函數(shù)的構造，噪聲野點的存在，以及數(shù)據(jù)集的類不平衡性等，這些是當前支持向量機研究中的熱點問題。
　　本文針對支持向量機中核函數(shù)的構造和模糊支持向量機中隸屬度

2、函數(shù)的修正，以及支持向量機在不平衡數(shù)據(jù)集上的應用進行了研究。主要創(chuàng)新工作是：
　?。?）提出了一種基于黎曼幾何的修正核函數(shù)方法。該方法是通過構造一個三角形式的保角變換函數(shù)，并且用訓練點到分劃超平面的距離來修正核函數(shù)（Trigonometric Kernel Scaling,TKS）。TKS方法提供了一種新的保角變換函數(shù)形式，從幾何的角度豐富了核函數(shù)的構造，實驗表明，該方法能夠有效地提高SVM的分類精度。
　　（2）提出了一種

3、基于距離的隸屬度函數(shù)的修正方法。該方法是通過在模糊支持向量機中根據(jù)不同樣本在不同區(qū)域內(nèi)對分類超平面的重要程度，來對基于距離的隸屬度函數(shù)引入不同的系數(shù)。實驗表明，修正后的基于距離的隸屬度函數(shù)能夠有效地區(qū)分有效樣本和噪聲野點，從而提高SVM的分類性能。
　?。?）提出了欠抽樣和代價敏感支持向量機(Cost Sensitive Support Vector Machine，CS-SVM)相結合的不平衡數(shù)據(jù)分類算法。該方法首先通過一種新的