基于直推式學習和遷移學習方法改進的支持——向量機分類方法及應用研究.pdf

1、支持向量機(Support Vector Machine, SVM)是一種基于小樣本學習理論的有效分類方法，近年來已成為國內(nèi)外機器學習的一個研究熱點。本文以SVM為基礎，對直推式支持向量機(Transductive Support Vector Machine, TSVM)算法和基于遷移學習的支持向量機進行了研究，并給出了這兩種方法的改進算法。
　　本文首先闡述了SVM方法的研究現(xiàn)狀和SVM在雷達輻射源分類中的應用，然后介紹了SV

2、M的理論基礎和遷移學習的基本概念。接下來介紹了TSVM算法以及漸近直推式支持向量機(ProcessingTransductive Support Vector Machine, PTSVM)算法，并針對 PTSVM算法訓練時間過長的缺點，引入 K近鄰和緩存的思想，在算法的每次迭代過程中對多個無標簽樣本進行處理，這種做法可以大大減少算法的訓練時間。
　　KMMSVM算法先用核均值匹配(Kernel Mean Match，KMM)計算

3、每個源樣本的權重值，然后選取源樣本權重值大于閥值的源樣本，最后用這些源樣本訓練 SVM分類器并對目標樣本進行分類。當源樣本數(shù)目較大時，KMMSVM算法訓練時間較長。針對這個缺點，本文將集成學習與KMMSVM結合起來，構建多個KMMSVM基分類器，然后將單個基分類器的結果以一定的方式集成起來。由于每個基分類器的訓練樣本只包含少量源樣本，所以算法的訓練時間大大減少了，同時基分類器結果的集成提高了算法的分類正確率。
　　最后將文中基于動