支持向量機訓練算法的研究.pdf

1、支持向量機(SVM)是在統(tǒng)計學習理論基礎上發(fā)展起來的一種新的模式識別方法，它是統(tǒng)計學習理論中的結(jié)構(gòu)風險最小化思想在實際中的一種體現(xiàn)。SVM的基本思想是通過非線性變換將輸入空間映射到一個高維空間，然后在這個新的空間中尋求最優(yōu)分類超平面。它在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應用到函數(shù)擬合等其他機器學習問題中。然而，支持向量機作為一種新的技術(shù)，還存在許多開放性的問題值得進一步的認真研究。
　　特征選

2、擇是當前信息領域，尤其是模式識別領域的研究熱點之一。隨著人工智能、計算機技術(shù)的迅速發(fā)展和應用領域的不斷拓寬，特征選擇和提取方法得到了較大的發(fā)展，基于統(tǒng)計或機器學習的理論研究成果不斷出現(xiàn)，其中的一些已在實際工程應用中顯示出巨大的發(fā)展?jié)摿?。特征選擇及分類器參數(shù)優(yōu)化是提高分類器性能的兩個重要方面，針對最小二乘支持向量機特征選擇及參數(shù)優(yōu)化問題，得出一種基于PSO的LS-SVM特征選擇與參數(shù)同步優(yōu)化算法，用PSO算法對特征及參數(shù)進行優(yōu)化。上述算法

3、在UCI標準數(shù)據(jù)集上進行的實驗證明是可行的。
　　針對直推式支持向量機在進行大數(shù)據(jù)分類時出現(xiàn)精度低、學習速度慢和回溯式學習多的問題，得出一種基于增量學習的漸進直推式支持向量機分類算法，將增量學習引入直推式支持向量機，使其在訓練過程中僅保留有用樣本而拋棄無用樣本，從而減少學習時間，提高分類速度。實驗結(jié)果表明，該算法具有較快的分類速度和較高的分類精度。
　　最后一節(jié)論文總結(jié)主要工作并對未來工作進行展望。相信本文的工作對類似的研究