支持向量機(jī)分類算法的若干研究.pdf

1、支持向量機(jī)（Support Vector Machine，SVM）是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來(lái)的一種性能優(yōu)良的機(jī)器學(xué)習(xí)方法，它越來(lái)越多地被應(yīng)用到數(shù)據(jù)挖掘，模式識(shí)別，信號(hào)處理等領(lǐng)域中，并取得巨大成功，因此研究支持向量機(jī)的性能具有十分重要的意義。影響支持向量機(jī)性能的因素有很多，如核函數(shù)的構(gòu)造，噪聲野點(diǎn)的存在，以及數(shù)據(jù)集的類不平衡性等，這些是當(dāng)前支持向量機(jī)研究中的熱點(diǎn)問(wèn)題。
　　本文針對(duì)支持向量機(jī)中核函數(shù)的構(gòu)造和模糊支持向量機(jī)中隸屬度

2、函數(shù)的修正，以及支持向量機(jī)在不平衡數(shù)據(jù)集上的應(yīng)用進(jìn)行了研究。主要?jiǎng)?chuàng)新工作是：
　　（1）提出了一種基于黎曼幾何的修正核函數(shù)方法。該方法是通過(guò)構(gòu)造一個(gè)三角形式的保角變換函數(shù)，并且用訓(xùn)練點(diǎn)到分劃超平面的距離來(lái)修正核函數(shù)（Trigonometric Kernel Scaling,TKS）。TKS方法提供了一種新的保角變換函數(shù)形式，從幾何的角度豐富了核函數(shù)的構(gòu)造，實(shí)驗(yàn)表明，該方法能夠有效地提高SVM的分類精度。
　?。?）提出了一種

3、基于距離的隸屬度函數(shù)的修正方法。該方法是通過(guò)在模糊支持向量機(jī)中根據(jù)不同樣本在不同區(qū)域內(nèi)對(duì)分類超平面的重要程度，來(lái)對(duì)基于距離的隸屬度函數(shù)引入不同的系數(shù)。實(shí)驗(yàn)表明，修正后的基于距離的隸屬度函數(shù)能夠有效地區(qū)分有效樣本和噪聲野點(diǎn)，從而提高SVM的分類性能。
　　（3）提出了欠抽樣和代價(jià)敏感支持向量機(jī)(Cost Sensitive Support Vector Machine，CS-SVM)相結(jié)合的不平衡數(shù)據(jù)分類算法。該方法首先通過(guò)一種新的