SVM模型改進(jìn)的若干研究.pdf

1、支持向量機(jī)（SVM）是在統(tǒng)計(jì)學(xué)理論和最優(yōu)化理論的基礎(chǔ)上發(fā)展起來(lái)的一種機(jī)器學(xué)習(xí)方法，它有效地解決了局部極小點(diǎn)、小樣本、非線(xiàn)性、高維數(shù)等實(shí)際問(wèn)題，從而有力地推動(dòng)了機(jī)器學(xué)習(xí)理論的發(fā)展，已經(jīng)成為機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)研究熱點(diǎn)。盡管支持向量機(jī)的優(yōu)點(diǎn)很多，但仍有美中不足之處。傳統(tǒng)的支持向量機(jī)對(duì)樣本中的噪聲和孤立點(diǎn)敏感，沒(méi)有考慮不同輸入樣本點(diǎn)對(duì)最優(yōu)超平面的獲得產(chǎn)生的不同影響等。另外，模型選擇也是支持向量機(jī)理論上的一個(gè)不足之處，模型選擇主要包括核函數(shù)及其參

2、數(shù)的選擇。
　　本論文在總結(jié)相關(guān)學(xué)者關(guān)于支持向量機(jī)對(duì)樣本中的噪聲和孤立點(diǎn)敏感及模型選擇不靈活這兩個(gè)方面的研究后，并對(duì)其作了進(jìn)一步研究，主要有如下創(chuàng)新的工作：
　　(1)構(gòu)造了幾何平均隸屬度函數(shù)。幾何平均隸屬度函數(shù)是在基于類(lèi)中心的隸屬度函數(shù)和基于緊密度的隸屬度函數(shù)的基礎(chǔ)上構(gòu)造的，兼具二者的優(yōu)點(diǎn)，有效地降低了噪聲和孤立點(diǎn)對(duì)最優(yōu)超平面的影響，提高了解決問(wèn)題的效率；
　　(2)構(gòu)造了靈活性強(qiáng)、適應(yīng)性高的泰勒緩和下降核函數(shù)（T-