大樣本支持向量機(jī)研究.pdf

1、支持向量機(jī)(support vector machine,SVM)是基于統(tǒng)計(jì)學(xué)習(xí)理論的專門研究有限樣本分類和預(yù)測(cè)新機(jī)器學(xué)習(xí)方法。它擁有完備的數(shù)學(xué)理論基礎(chǔ),根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則在保證學(xué)習(xí)精度的前提下提高了泛化能力,現(xiàn)已成為機(jī)器學(xué)習(xí)和人工智能界的一個(gè)研究熱點(diǎn)。但在某些方面,支持向量機(jī)仍存在著一些問題,如模型選擇、多類分類和大樣本數(shù)據(jù)信息的處理。本文分析了支持向量機(jī)算法的理論知識(shí),闡述了不同算法的訓(xùn)練迭代過程,并根據(jù)測(cè)試條件來建立模型。通過

2、對(duì)當(dāng)前支持向量機(jī)算法所存在缺陷的正確定位,從分類回歸的目標(biāo)出發(fā),分別在樣本數(shù)據(jù)的約簡(jiǎn)、知識(shí)提取和算法的復(fù)雜度方面提出了相應(yīng)的改進(jìn)方法,并通過多次仿真實(shí)驗(yàn)證明了所提出算法模型在處理大樣本數(shù)據(jù)信息的能力。主要工作分為以下三個(gè)方面:(1)系統(tǒng)分析了支持向量機(jī)的理論基礎(chǔ)及其訓(xùn)練問題的數(shù)學(xué)描述。闡述了SVM訓(xùn)練問題最終歸結(jié)為解一個(gè)帶有約束的凸二次規(guī)劃問題。概括了SVM的泛化性能,并對(duì)當(dāng)前流行的一些快速訓(xùn)練算法進(jìn)行了詳細(xì)的對(duì)比分析。(2)詳細(xì)研究了

3、基于粗糙集的屬性約簡(jiǎn)策略和規(guī)則知識(shí)的提取,概括了粗糙集不同算法的應(yīng)用,并提出了一種基于粗糙集的最小二乘支持向量機(jī)的算法模型。該算法分別從分類、回歸的角度證明算法的性能。通過MATLAB平臺(tái)下的802.11a收集樣本數(shù)據(jù),利用最小二乘支持向量建立信道分類和參數(shù)回歸模型,根據(jù)建立的模型來決策信道的選擇和參數(shù)配置的確定,并仿真證明了該算法模型的有效性。(3)深入研究了SVM中的支持向量數(shù)據(jù)描述算法(SVDD),提出了基于粗糙集的SVDD分類算