版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、支持向量機(jī)因其堅(jiān)實(shí)的理論基礎(chǔ)與優(yōu)越的學(xué)習(xí)性能已被廣泛運(yùn)用于大規(guī)模數(shù)據(jù)的學(xué)習(xí)中,但支持向量機(jī)優(yōu)越性是建立在小樣本的基礎(chǔ)之上,在大規(guī)模樣本的學(xué)習(xí)問題上它卻并未表現(xiàn)出優(yōu)勢。大樣本的學(xué)習(xí)問題已經(jīng)成為支持向量機(jī)應(yīng)用的瓶頸,因此提出有效的針對大規(guī)模訓(xùn)練樣本集的SVM算法意義深遠(yuǎn)。
本文著重研究了支持向量機(jī)在大規(guī)模學(xué)習(xí)中的應(yīng)用,在深入學(xué)習(xí)支持向量機(jī)理論的基礎(chǔ)上,對現(xiàn)今各種大規(guī)模支持向量機(jī)的解決方法進(jìn)行了總結(jié)分析,其中著重分析了聚類算法在
2、解決大規(guī)模支持向量機(jī)的優(yōu)勢及存在的問題,并最終提出了一種解決大規(guī)模支持向量機(jī)學(xué)習(xí)問題的新策略。本文的主要研究工作有:
l、深入分析了現(xiàn)有大規(guī)模支持向量機(jī)的學(xué)習(xí)方法,找出目前研究中存在的問題,特別深入分析了用聚類解決大規(guī)模支持向量機(jī)各種方法,并對此進(jìn)行歸納總結(jié)。
2、提出了用核空間聚類優(yōu)化大規(guī)模支持向量機(jī)的新策略,該策略試圖利用核空間聚類算法找出距離SVM中距離分類平面較近的對樣本模型學(xué)習(xí)有貢獻(xiàn)的支持向量,同時(shí)
3、約減掉大部分對學(xué)習(xí)無貢獻(xiàn)的非支持向量,最后包含支持向量的小部分樣本用于新的樣本學(xué)習(xí),從而彌補(bǔ)了當(dāng)前優(yōu)化方法的不足,在提高學(xué)習(xí)效率的同時(shí)保證了SVM的學(xué)習(xí)性能。
3、提出核空間距離聚類算法(KDC),將該聚類算法與支持向量機(jī)相結(jié)合構(gòu)建了基于核空間距離聚類的大規(guī)模支持向量機(jī)模型(KDC-SVM),利用KDC約減大規(guī)模數(shù)據(jù)集,最后通過實(shí)驗(yàn)驗(yàn)證了該優(yōu)化模型的可行性。
4、針對KDC-SVM模型存在的一些問題:因采用大
4、量隨機(jī)機(jī)制而導(dǎo)致減樣不穩(wěn)定、壓縮比例難以控制、自主學(xué)習(xí)性差等缺陷提出了基于蟻群核聚類的支持向量機(jī)學(xué)習(xí)模型(ANT-SVM),該模型利用提出的蟻群核聚類算法大規(guī)模數(shù)據(jù)集,使支持向量機(jī)在大規(guī)模樣本學(xué)習(xí)時(shí)自主學(xué)習(xí)能力更強(qiáng),能夠更加迅捷地獲得優(yōu)越的樣本模型。實(shí)驗(yàn)表明,改進(jìn)的ANT-SVM模型其學(xué)習(xí)性能比較強(qiáng),較KDC-SVM模型它能獲得更加穩(wěn)定的、性能更強(qiáng)的學(xué)習(xí)模型。
本文提出了用核空間聚類算法優(yōu)化大規(guī)模支持向量機(jī)的學(xué)習(xí)策略,并利
最新文檔
- 支持向量機(jī)的核方法及其多核聚類算法的研究.pdf
- 大規(guī)模稀疏支持向量機(jī)算法研究.pdf
- 求解大規(guī)模支持向量機(jī)問題的算法研究.pdf
- 核聚類算法研究及其在文本聚類中的應(yīng)用.pdf
- 若干求解大規(guī)模問題的支持向量機(jī)算法.pdf
- 無監(jiān)督聚類算法和支持向量機(jī)及其應(yīng)用研究.pdf
- 基于模糊聚類的大規(guī)模數(shù)據(jù)聚類算法及其應(yīng)用研究.pdf
- 求解大規(guī)模支持向量機(jī)問題的并行算法研究.pdf
- 核矩陣近似的研究及其在支持向量機(jī)中的應(yīng)用.pdf
- 支持向量機(jī)核函數(shù)研究及其在語音識別中的應(yīng)用.pdf
- H-KTT聚類算法及其在大規(guī)模AMI數(shù)據(jù)分析中的應(yīng)用.pdf
- 支持向量機(jī)算法研究及其在目標(biāo)檢測中的應(yīng)用.pdf
- 基于加權(quán)多寬度高斯核函數(shù)的支持向量機(jī)聚類算法研究.pdf
- 支持向量機(jī)算法及其在入侵檢測中的應(yīng)用.pdf
- 分布式單類支持向量機(jī)聚類算法研究.pdf
- 支持向量機(jī)算法的研究及其應(yīng)用.pdf
- 基于支持向量機(jī)的改進(jìn)的密度聚類算法研究.pdf
- 分布式單類支持向量機(jī)聚類算法研究
- 面向大規(guī)模數(shù)據(jù)的聚類算法研究及應(yīng)用.pdf
- 多類支持向量機(jī)及其在入侵檢測中的應(yīng)用.pdf
評論
0/150
提交評論