支持向量機(jī)分類算法及其在進(jìn)化計(jì)算中的應(yīng)用研究.pdf

1、與傳統(tǒng)統(tǒng)計(jì)學(xué)理論不同,統(tǒng)計(jì)學(xué)習(xí)理論主要針對(duì)小樣本統(tǒng)計(jì)問(wèn)題,其不僅考慮到了漸近性能的要求,并且在有限信息的條件下亦可得到最優(yōu)結(jié)構(gòu)?；谶@一理論的支持向量機(jī)算法建立在VC理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上,根據(jù)有限的樣本信息在模型的復(fù)雜性(即對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度)和學(xué)習(xí)能力(即無(wú)錯(cuò)誤地識(shí)別任意樣本的能力)之間尋求最佳折衷,以期獲得最好的推廣能力。然而,作為機(jī)器學(xué)習(xí)領(lǐng)域中相對(duì)較新的理論,支持向量機(jī)很多方面還處于不斷發(fā)展完善之中。本課題對(duì)支持向

2、量機(jī)分類算法進(jìn)行了深入研究(包括核函數(shù)選取,參數(shù)優(yōu)化,性能評(píng)估等方面)。概括地講,本文的主要研究?jī)?nèi)容、研究成果如下：1.從理論上對(duì)多項(xiàng)式核函數(shù)和高斯徑向基核函數(shù)進(jìn)行了研究,并從概率統(tǒng)計(jì)角度出發(fā),通過(guò)樣本的線性可分度和線性密集度定量分析核函數(shù)對(duì)決策函數(shù)的影響,給出一種核函數(shù)性能評(píng)價(jià)方法,最后通過(guò)實(shí)驗(yàn)驗(yàn)證了該方法的有效性。2.在對(duì)傳統(tǒng)經(jīng)典多類分類算法研究的前提下,提出一種改進(jìn)的基于二叉決策樹(shù)的SVM多類分類算法IBDT-SVM,該算法采用K