基于特征空間理論的幾種SVM參數(shù)選取結(jié)果.pdf

1、支持向量機(jī)的參數(shù)選取問題是支持向量機(jī)研究中一類重要的問題，參數(shù)的選取直接影響到學(xué)習(xí)效果和支持向量機(jī)的性能。支持向量機(jī)的參數(shù)主要有核參數(shù)和正則參數(shù)。本文主要研究了如何利用最優(yōu)化方法來解決支持向量機(jī)參數(shù)選取的問題。 1.本文在第二章中詳細(xì)分析了RBF核函數(shù)SVM訓(xùn)練點(diǎn)在特征空間中的性質(zhì)，建立了以后各章進(jìn)行理論分析的基本框架，分析里在極限情況下核參數(shù)對(duì)支持向量機(jī)性能的影響，得到了正則參數(shù)和核參數(shù)對(duì)于特征空間本質(zhì)上的意義。 2.

2、第三章基于K．Schittkowski和Dong的模型，建立了一個(gè)新的修正模型來選取正則參數(shù)，分析了K．Schittkowski方法產(chǎn)生數(shù)值不穩(wěn)定性的原因，得到了發(fā)展新的參數(shù)選取方法的必要性。 3.第四章中分析了L1-SVM相對(duì)L2-SVM的優(yōu)勢(shì)，并利用新的誤差界給出了L1-SVM多參數(shù)選取的方法和結(jié)果。分析了影響算法執(zhí)行效率的要素，指出了改進(jìn)的方向，并給出了一種選取多參數(shù)的隨機(jī)算法。 4.第五章給出了一種支持向量機(jī)參數(shù)

3、調(diào)節(jié)方法。這個(gè)解法直接利用微分方程組的理論，求出的解是一條SVM解的路徑。利用微分方程組的存在唯一性定理，我們得到了路徑的存在唯一性，并給出了一種常微分方程組的近似解法求解SVM解的路徑。 第五章中得到的解的路徑的存在唯一性，開辟了利用微分方程法訓(xùn)練支持向量機(jī)的新途徑。更進(jìn)一步，得到了支持向量機(jī)是部分可控的結(jié)論。通過數(shù)值算法求解，證明了該算法的有效性。由于該方法在理論基礎(chǔ)和大規(guī)模解法上研究的欠缺，這個(gè)新方法有望成為支持向量機(jī)研究