支持向量機與K-均值聚類融合算法研究.pdf

1、本文在介紹了支持向量機和K-均值聚類算法的基本理論的基礎(chǔ)上，對支持向量機和K-均值聚類算法的融合算法進行了研究，詳細介紹了改進算法的理論知識，并通過實驗驗證了算法的有效性。 支持向量機是在統(tǒng)計學習理論基礎(chǔ)上發(fā)展出來的一種新的、非常有效的機器學習方法，它集優(yōu)化、核、最佳推廣能力等特點于一身，較好地解決了以往困擾很多學習方法的小樣本、非線性、過學習、高維數(shù)、局部極小點等實際問題。盡管支持向量機有著其它機器學習方法無法比擬的優(yōu)勢，但也

2、有其自身局限性。針對其對噪聲和野點敏感的問題，我們提出了基于模糊隸屬度的支持向量機去噪方法，在線性規(guī)劃下的一類分類支持向量機中引入模糊隸屬度，剔除樣本中的噪聲和野點，并在多種數(shù)據(jù)集上驗證了算法的有效性。 K-均值算法是解決聚類問題的一種簡潔、快速的經(jīng)典算法。如果樣本是密集的，并且類與類之間是線性可分的，它的效果最好：但是如果類與類之間是線性不可分的，它的聚類效果就很不理想。針對這個問題，我們提出了基于支持向量機的K一均值聚類算法