一種改進的核函數(shù)參數(shù)選擇方法.pdf

1、支持向量機(SVM)是20世紀90年代由Vapnik等研究者，在統(tǒng)計學(xué)習(xí)理論體系框架下提出的一種新的通用的學(xué)習(xí)方法，它在解決小樣本、非線性以及高維模式識別等問題中有很強的優(yōu)勢。應(yīng)用支持向量機解決問題的時候，核函數(shù)及其相關(guān)參數(shù)的選擇對結(jié)果好壞起著至關(guān)重要的作用，直接影響機器學(xué)習(xí)的分類性能。只有選擇合適的核函數(shù)及其參數(shù)，才能得到具有良好推廣能力的SVM分類器。
　　 雖然目前關(guān)于核函數(shù)及其參數(shù)的研究在理論和應(yīng)用方面日趨走向成熟，但還

2、不足以指導(dǎo)其參數(shù)選擇。核函數(shù)參數(shù)是影響SVM分類性能的關(guān)鍵因素，但其選擇方法目前國際上還沒有形成統(tǒng)一的模式，最優(yōu)SVM 參數(shù)選擇算法只能憑借經(jīng)驗，實驗對比，或者大范圍的搜尋來進行尋優(yōu)。在眾多的核函數(shù)參數(shù)選擇方法中，網(wǎng)格搜索法是最常用而且比較有效的一種方法。本文主要研究的就是支持向量機核函數(shù)參數(shù)選擇方法。
　　 本文主要討論了支持向量機的核函數(shù)及其參數(shù)的以下幾方面內(nèi)容：
　　 首先，系統(tǒng)和全面的總結(jié)了支持向量機基礎(chǔ)理論，介

3、紹了VC 維理論、結(jié)構(gòu)風(fēng)險化最小化原則，研究了SVM分類算法，分析了用于解決多類分類問題的策略。
　　 其次，分析了影響SVM 訓(xùn)練性能、學(xué)習(xí)性能的幾個重要因素。討論了支持向量機中的常用的核函數(shù)參數(shù)選擇方法，分析了雙線性搜索法，模式搜索法，網(wǎng)格搜索法的優(yōu)缺點，結(jié)合SVM 核函數(shù)參數(shù)自身參數(shù)空間分布的特點，通過理論上的分析論證和實驗比較提出了一種新的核函數(shù)參數(shù)選擇方法—雙線性模式搜索法。
　　 最后，通過仿真實驗對本文所提