基于抗白噪聲理論的支持向量機.pdf

1、作為上世紀九十年代興起的一種新的機器學習技術，支持向量機(Support Vector Maclline，SVM)在許多領域都取得了成功的應用。但它的應用其實大多局限于常見的標準化或者說“干凈”的數(shù)據(jù)分布情況，對于在實際應用中不得不面對的一些數(shù)據(jù)分布不合常規(guī)或者說不“理想”的機器學習問題，比如：受噪聲干擾的數(shù)據(jù)集分類，不確定性輸入信息學習算法、不平衡數(shù)據(jù)集分類、半監(jiān)督型數(shù)據(jù)學習等，傳統(tǒng)型支持向量機的學習性能則表現(xiàn)得不盡人意，有時甚至根本

2、達不到人們所期望的學習效果，這在很大程度上影響了支持向量機向更大范圍的推廣和應用。針對這些問題，本文就受噪聲干擾的支持向量機學習算法進行了研究，給出了較理想的解決方案。在簡單回顧標準支持向量機及其數(shù)學基礎之后，本文重點研究了抗白噪聲理論的支持向量機學習算法。針對某些訓練樣本存在輸入信息帶有噪聲的問題，通過引入白噪聲，高斯白噪聲及核函數(shù)的概念，結合支持向量機的特性，提出了解決抗高斯白噪聲的支持向量機分類算法。該類算法在傳統(tǒng)支持向量機的基礎