基于機(jī)器學(xué)習(xí)的分類算法研究.pdf

1、機(jī)器學(xué)習(xí)是研究使計(jì)算機(jī)模仿人類學(xué)習(xí)行為和積累經(jīng)驗(yàn)的方式，不斷提升和優(yōu)化自身性能的統(tǒng)計(jì)學(xué)習(xí)方法，是人工智能主要關(guān)注和研究的問題之一。它可以通過對(duì)一定的樣本集蘊(yùn)含的規(guī)律進(jìn)行學(xué)習(xí)而構(gòu)造出一個(gè)具有低結(jié)構(gòu)風(fēng)險(xiǎn)和高泛化能力的分類模型，其中支持向量機(jī)（SVM）是基于最大化類間間隔思想在原始數(shù)據(jù)空間中尋找構(gòu)建一個(gè)最優(yōu)決策超平面將兩類不同的樣本盡可能分開，在非線性分類中，選擇引用特定核函數(shù)將原始樣本空間映射到可構(gòu)造出最優(yōu)分類決策超平面的高維特征空間中。A

2、NN則是模仿人腦結(jié)構(gòu)和功能，由大量具有處理能力的神經(jīng)元相互連接組成。ANN通過調(diào)整連接值大小和閾值從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)知識(shí)、經(jīng)驗(yàn)和規(guī)律，具有很強(qiáng)的模式分類能力，其中誤差反傳神經(jīng)網(wǎng)絡(luò)(BP)是神經(jīng)網(wǎng)絡(luò)中實(shí)際應(yīng)用最廣泛和成功的方法之一，其學(xué)習(xí)過程是在正向傳播時(shí)輸入樣本數(shù)據(jù)經(jīng)過輸入層傳入，隱層處理后輸入輸出層，若輸出層輸出與期望值不一致，則轉(zhuǎn)向?qū)⑤敵稣`差通過用某種方法隱層逐層反傳至輸入層，并同時(shí)逐層修改各層神經(jīng)元之間的連接權(quán)值和閾值大小。

3、　　本論文的所有研究工作主要包括兩大部分內(nèi)容：
　?。?）結(jié)合N-S磁極效應(yīng)和SVM提出一種新穎的分類器模型。本文深入研究了目前傳統(tǒng)的 SVM以及變體算法，發(fā)現(xiàn)傳統(tǒng) SVM以及變體只考慮最大化類間間隔而忽略了類內(nèi)分布性狀或分類邊界，因此結(jié)合N-S磁極效應(yīng)原理和大間隔思想提出一種新穎的最大間隔分類模型。該模型不僅考慮了最大化類間間隔，而且兼顧了類內(nèi)分布性狀，同時(shí)引入模糊隸屬度技術(shù)降低噪聲和野點(diǎn)對(duì)構(gòu)造超平面的干擾。從人工數(shù)據(jù)集以及UC

4、I數(shù)據(jù)集上的實(shí)驗(yàn)數(shù)據(jù)分析證明，新提出的分類模型能有效的提高了類線性數(shù)據(jù)分布的分類性能和泛化能力。
　?。?）提出一種改進(jìn)的 CBP網(wǎng)絡(luò)算法。本文深入研究傳統(tǒng) BP網(wǎng)絡(luò)以及國(guó)內(nèi)外前輩學(xué)者的改進(jìn)方法，由于傳統(tǒng)的BP方法及其改進(jìn)在訓(xùn)練過程中存在學(xué)習(xí)速率保持固定不變、收斂性慢以及極易落入局部極小值附近等缺陷和不足，通過在各層權(quán)值和偏差調(diào)整中引入各個(gè)權(quán)值對(duì)誤差的貢獻(xiàn)率使學(xué)習(xí)速率根據(jù)誤差和貢獻(xiàn)率連續(xù)變化，并結(jié)合動(dòng)量系數(shù)法加快跳出局部極小值附近