若干SVM算法的改進與設計.pdf

1、傳統(tǒng)支持向量機(SVM)是通過一個凸二次規(guī)劃求解的，并有較好的泛化能力，已經(jīng)在生物信息學、人臉識別、指紋識別、手寫體識別、數(shù)據(jù)庫學習與身份驗證等領域得到了較好的應用。
　　 以統(tǒng)計學理論為基礎，本文重點研究了支持向量機核函數(shù)的構造、支持向量機快速訓練算法、支持向量機訓練集剪輯技術等內容。
　　 本文所做的主要工作如下：
　　 1.設計了一個泛化能力與學習能力折中的混合核函數(shù)Kop。與傳統(tǒng)RBF核相比，基于Kop下

2、的SVM，其支持向量個數(shù)少、分類性能好。
　　 2.提出了一種新的支持向量分類算法——ACNN-SVM，主要為了解決NN-SVM算法并不能保證在訓練集上找到最少需要的原型樣本點集的缺陷。
　　 3.求解兩個權向量，無需求解超平面的具體形式，針對GEPSVM可能存在奇異性問題，提出了權向量多平面支持向量機WMPSVM。該方法不僅可以糾正某些情況下GEPSVM錯分問題，而且避免了GEPSVM奇異性問題。
　　 4.將