最小二乘支持向量機(jī)在多分類中的應(yīng)用研究.pdf

1、碩士學(xué)位論文最小二乘支持向量機(jī)在多分類中的應(yīng)用研究ResearchOilLeastSquaresSupportVectorMachinesinMultiClassification作者姓名：塞4衛(wèi)生學(xué)科、專業(yè)：槿式遲曼I』生蟹能丕統(tǒng)堂J指導(dǎo)完成號(hào)：教師：日期：蘭州交通大學(xué)LanzhouJiaotongUniversity蘭州交通大學(xué)碩士學(xué)位論文摘要分類問題是模式識(shí)別領(lǐng)域的核心內(nèi)容。至今，神經(jīng)網(wǎng)絡(luò)、決策樹、支持向量機(jī)(SupportVec

2、torMachines，SVM)等智能方法已經(jīng)被廣泛應(yīng)用于分類問題中。最小二乘支持向量機(jī)(LeastSquaresSupportVectorMachines，LSSVM)作為SVM的一種改進(jìn)模型，具有全局最優(yōu)，推廣能力好以及適應(yīng)性強(qiáng)等優(yōu)點(diǎn)。目前，LSSVM在模式識(shí)別、信號(hào)處理等諸多工程領(lǐng)域中的應(yīng)用越來越廣泛，并顯示了良好的性能。本文在分析了SVM、LSSVM理論的基礎(chǔ)上，重點(diǎn)研究了LSSVM的兩種改進(jìn)形式：稀疏最小二乘支持向量機(jī)(Spa

3、rseLeastSquaresSupportVectorMachines，SLSSVM)和模糊最小二乘支持向量機(jī)(FuzzyLeastSquaresSupportVectorMachines，F(xiàn)LSSVM)，并將其應(yīng)用于人工數(shù)據(jù)集、基準(zhǔn)數(shù)據(jù)集以及實(shí)際生物醫(yī)學(xué)心電[](Electrocardiogram，ECG)信號(hào)和腦電[](Electroencephalogram，EEG)信號(hào)的分類問題中，驗(yàn)證了SLSSVM和FLSSVM分類器的有效

4、性和可行性。本文主要研究?jī)?nèi)容包括如下幾個(gè)方面：(1)在分析了標(biāo)準(zhǔn)SVM理論和LSSVM理論的基礎(chǔ)上，進(jìn)一步研究了LSSVM的兩種改進(jìn)形式SLSSVM和FLSSVM。同時(shí)，研究了不同核函數(shù)參數(shù)選取對(duì)分類器分類的影響，本文將一種新的小波核函數(shù)用于SLSSVM和FLSSVM中，并使用交叉驗(yàn)證(CrossValidation，cv)法對(duì)分類器參數(shù)及各種核函數(shù)參數(shù)進(jìn)行優(yōu)化。(2)將基于小波核函數(shù)的SLSSVM和FLSSVM分別應(yīng)用于二分類人工數(shù)據(jù)

5、集、二分類基準(zhǔn)數(shù)據(jù)集和多分類基準(zhǔn)數(shù)據(jù)集等多個(gè)數(shù)據(jù)集的分類問題中，并且在同等條件下與基于徑向基核函數(shù)、多層感知器核函數(shù)以及多項(xiàng)式核函數(shù)的標(biāo)準(zhǔn)SVM、LSSVM_分類算法以及多分類算法的分類性能進(jìn)行比較，并用CV法對(duì)參數(shù)進(jìn)行優(yōu)化。最后從分類精度和運(yùn)行時(shí)間兩方面詳細(xì)分析各種分類器的分類性能。結(jié)果表明，基于小波核函數(shù)的SLSSVM在不影響分類精度的同時(shí)可以提高訓(xùn)練速度，而FLSSVM很好的改善了多分類問題中存在的數(shù)據(jù)不可分的情況，驗(yàn)證TSLSS