基于尺度空間的SVM核參數(shù)確定方法研究.pdf

1、支持向量機(Support Vector Machine，SVM)是近年來受到廣泛關(guān)注的一類學習機器，它以統(tǒng)計學習理論(Statistical Learning Theory, SLT)為基礎(chǔ)，具有簡潔的數(shù)學形式、標準快捷的訓練方法和良好的泛化性能，已廣泛應用于模式識別、函數(shù)估計和時間序列預測等數(shù)據(jù)挖掘問題。目前SVM的研究熱點主要有:SVM的模型選擇、快速學習算法研究等。由于支持向量機是一種基于核的學習方法，所以核及相關(guān)參數(shù)的選取對泛

2、化能力有著重要的影響，進而對支持向量機的性能也有著重要的影響。如何有效地進行核及相關(guān)參數(shù)的選擇是支持向量機研究領(lǐng)域的一個重要問題。
　　本研究主要內(nèi)容包括：⑴對現(xiàn)有核選擇方法進行了詳細的分析和研究。⑵提出了一種選擇支持向量分類最優(yōu)核參數(shù)的算法，通過定義樣本間的獨立性，可以獲得最優(yōu)核參數(shù)和相應的最優(yōu)學習模型。提出的算法可以在支持向量機訓練之前得到最優(yōu)的核參數(shù)，計算代價較小。⑶通過對SVM中最優(yōu)化問題KKT條件的研究，給出了一種高斯核