主動支持向量機的研究與應用.pdf

1、在模式識別中，根據(jù)學習方式的不同可將其分為兩大類:有監(jiān)督學習和無監(jiān)督學習。由于無監(jiān)督學習的準確率通常不能令人滿意，在實際應用中人們趨向于運用有監(jiān)督方法。支持向量機算法作為一種常用的有監(jiān)督方法，其分類精度較高，但它的結(jié)果直接依賴于所選取的高質(zhì)量的有標記的訓練樣本，在現(xiàn)實生活中，完備的訓練樣本集的獲取是非常困難的，如何有效利用樣本集中大量的未標識樣本所隱含的信息成為關注的熱點。針對這種情況，本文將支持向量機和主動學習結(jié)合起來，提出兩種改進的

2、主動支持向量機方法，本文主要的工作總結(jié)如下:
　　 (1)了解主動學習與支持向量機的研究現(xiàn)狀及趨勢，并重點對主動學習與支持向量機的算法理論進行深入研究。
　　 (2)介紹了一種簡單的基于距離的主動支持向量機，以及一種被動學習的支持向量機。并進行了實驗對比與分析，論證了主動支持向量機的可行性與優(yōu)越性。
　　 (3)對主動支持向量機算法進行了深入研究，針對支持向量機算法的初訓練樣本需人工選取以及分類器易受到樣本中孤立

3、點的影響，本文通過利用K-means聚類算法以及改進主動學習策略，得到一種改進的主動支持向量機算法，有效克服了以上的缺陷。Iris、Wine和遙感數(shù)據(jù)的實驗結(jié)果證實該方法的有效性。
　　 (4)由于主動學習支持向量機的主動學習策略只注重考察超平面附近的樣本，忽略了有些距離超平面遠而是支持向量的樣本，而且沒有考慮當前超平面是否接近實際的超平面，對此本文提出了一種基于概率的主動支持向量機算法方法，通過在IRIS數(shù)據(jù)集、WINE數(shù)據(jù)集