支持向量機(jī)及相關(guān)理論研究.pdf

1、支持向量機(jī)(SVM)技術(shù)是由V.Vapnik[1]于20世紀(jì)90年代中期提出的一種能處理非線性分類、回歸等機(jī)器學(xué)習(xí)問題的新模型。近幾十年其理論研究快速成熟,實(shí)際應(yīng)用也被越來越多的領(lǐng)域重視。傳統(tǒng)分類方法是從歸納到演繹的分類過程,面對一些多維非線性問題往往效率低下,測試精度不高；而SVM則簡化分類過程,用訓(xùn)練數(shù)據(jù)到測試數(shù)據(jù)的轉(zhuǎn)導(dǎo)推理(transduction inference)代替?zhèn)鹘y(tǒng)方法[2]。SVM模型只需要確定少數(shù)幾個(gè)參數(shù)即可確定決

2、策函數(shù),其他參數(shù)可以根據(jù)經(jīng)驗(yàn)固定選擇；而且時(shí)間復(fù)雜度尤其是空間復(fù)雜度取決于支持向量的數(shù)目,而不是屬性維數(shù),對比以前的分類方法,縮短分類時(shí)間,減少存儲(chǔ)空間。
　　 本文所做的工作主要圍繞SVM用于分類問題開展,研究成果分為下面兩個(gè)部分:
　　 1、針對當(dāng)前模糊支持向量機(jī)(FSVM)使用特征空間樣本與類中心之間的距離構(gòu)建隸屬度函數(shù)的不足,首次利用熵的不確定性定量化度量特征和蟻群算法(ACO)的智能性,與FSVM模型結(jié)合,提出

3、一種基于熵和ACO的FSVM新方法(EAFSVM)。求得的聚類中心和隸屬度能更準(zhǔn)確的反映數(shù)據(jù)本身的特點(diǎn),提高測試精度。對比SVM和FSVM,EAFSVM模型測試精度較高,尤其對多類數(shù)據(jù)、大規(guī)模數(shù)據(jù)具有較好的分類能力。
　　 2、由于支持向量機(jī)(SVM)的有效性依賴于對數(shù)據(jù)信息獲取的準(zhǔn)確性,針對傳統(tǒng)SVM模型對數(shù)據(jù)信息考慮單一導(dǎo)致分類精度不高、泛化能力不強(qiáng)的問題,結(jié)合概率分布特性和等價(jià)類關(guān)系,提出了一種雙系數(shù)控制分類的新模型。以雙