基于1-SVM的多球體分類器理論及其應(yīng)用研究.pdf

1、作為支持向量機(jī)的重要分支算法，一類支持向量機(jī)及多球體聚類算法在異常檢測、聚類學(xué)習(xí)等無指導(dǎo)領(lǐng)域得到了良好的應(yīng)用。本文在深入研究一類支持向量機(jī)理論的基礎(chǔ)上，給出一類支持向量機(jī)的作用集訓(xùn)練算法，從改進(jìn)核聚類算法出發(fā)提出多球體理論框架，并進(jìn)一步與有指導(dǎo)分類器融合以增強(qiáng)其訓(xùn)練速度和分類正確率，使之能適應(yīng)現(xiàn)今大樣本訓(xùn)練和實(shí)時(shí)決策的學(xué)習(xí)趨勢。 本文的主要工作包括： （1）提出一類支持向量機(jī)的作用集訓(xùn)練算法，并引入遞推方法求解無約束優(yōu)化

2、的線性方程。該算法尋找支持向量在最優(yōu)狀態(tài)下的分布，無需逼近目標(biāo)函數(shù)，避免使用KKT容忍值，并可獲得解析的最優(yōu)解，從而提高了一類支持向量機(jī)的訓(xùn)練效率。 （2）為解決一類支持向量機(jī)核聚類的距離參數(shù)問題，提出模糊核聚類算法，定義具有支持向量特性的模糊隸屬度函數(shù)替代距離參數(shù)，通過懲罰邊緣樣本的權(quán)重抑制聚類中心的偏移，不失魯棒性地避免了參數(shù)搜索過程。同時(shí)，在核聚類算法基礎(chǔ)上提出多球體理論框架。 （3）擴(kuò)展多球體理論框架至有指導(dǎo)學(xué)習(xí)

3、并構(gòu)造多球體分類器，引進(jìn)精簡一對多分類器以分離多球體內(nèi)的混疊樣本。構(gòu)造組合分類器將上述兩個(gè)性能互補(bǔ)的分類器加權(quán)組合，并給出基于交叉驗(yàn)證的權(quán)重估計(jì)和參數(shù)搜索策略。相對于傳統(tǒng)的一對多算法，組合分類器顯著減少了訓(xùn)練時(shí)間和決策時(shí)間，提高了分類正確率。 （4）針對一對一算法的成對耦合決策規(guī)則的實(shí)時(shí)性問題，使用多球體分類器獲得樣本與類別的模糊隸屬度，引進(jìn)預(yù)分類算法挑選部分隸屬度較高的類別參與決策，顯著降低決策計(jì)算量。給出固定候選集容量和K均