支持向量機模型研究及應用.pdf

1、支持向量機(SVM)是九十年代中期發(fā)展起來的新的機器學習技術(shù)，與傳統(tǒng)的神經(jīng)網(wǎng)絡技術(shù)不同，SVM是以統(tǒng)計學習理論(SLT)為基礎的。傳統(tǒng)統(tǒng)計學的前提條件是要有足夠多的樣本，而統(tǒng)計學習理論是著重研究小樣本條件下的統(tǒng)計規(guī)律和學習方法的，它為機器學習問題建立了一個很好的理論框架。實踐表明，建立在(SLT)之上支持向量機不僅結(jié)構(gòu)簡單，而且技術(shù)性能尤其是推廣能力明顯提高，能夠解決好大量現(xiàn)實中的小樣本學習問題，它是一個全新的神經(jīng)網(wǎng)絡技術(shù)。目前，SVM

2、已成為國際上機器學習領域新的研究熱點。
　　 本文所做的工作主要在如下幾個方面：
　　 1)運用模糊集理論(FST)和概率理論對支持向量機進行研究，構(gòu)造出了概率模糊支持向量機(PFSVM)模型，既達到了減少或者消除外圍異樣點對于整個訓練模型的影響，又彌補了FSVM模型的缺陷。新的PFSVM模型考慮到實際數(shù)據(jù)存在聚類性質(zhì)也存在概率分布性質(zhì)，充分體現(xiàn)出數(shù)據(jù)點的不同作用，從而獲得更加合理的分類超平面。
　　 2)將PF

3、SVM模型應用到了圖像檢索中，解決了基于內(nèi)容的圖像檢索相關性反饋存在的小樣本問題，提出了PL-PFSVM算法，該算法不僅很好的解決了反饋中的小樣本問題，而且可以更加有效的應用于語義復雜的圖像檢索。用隸屬值和概率值共同控制PFSVM(概率模糊支持向量機)訓練學習，大大提高了圖像檢索的反饋性能。
　　 3)運用粗糙集理論(RST)和支持向量機思想，為更好地獲取數(shù)據(jù)中所隱含的信息，提出了一種新的支持向量機模型--粗糙支持向量機(RSV