基于主成分分析和遞歸特征消除的支持向量機(jī)分類方法研究.pdf

1、隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，用智能算法處理大數(shù)據(jù)已經(jīng)成為了一種必然的趨勢(shì)。支持向量機(jī)是一種被廣泛應(yīng)用的智能算法，因?yàn)槠渚哂袃?yōu)秀的泛化能力，小樣本決策能力和處理非線性數(shù)據(jù)的能力。統(tǒng)計(jì)學(xué)習(xí)理論的優(yōu)勢(shì)在于以小樣本為研究對(duì)象時(shí)效果極佳，而支持向量機(jī)則是統(tǒng)計(jì)學(xué)習(xí)理論經(jīng)過發(fā)展和延伸所得到的產(chǎn)物，一種學(xué)習(xí)機(jī)器。最近幾年，支持向量機(jī)發(fā)展迅速，并且產(chǎn)生了例如LS-SVM、LIB-SVM等算法。這些新算法使支持向量機(jī)的應(yīng)用范圍更加廣闊，例如時(shí)間序列建模、前饋

2、控制、優(yōu)化控制等。同時(shí)，一些智能控制算法存在著一些缺點(diǎn)和不足，如神經(jīng)網(wǎng)絡(luò)智能控制算法存在算法可能不收斂、局部最優(yōu)化導(dǎo)致解的不唯一、結(jié)構(gòu)較難選取等問題。相比之下，支持向量機(jī)具有泛化能力好，非線性建模能力強(qiáng)等特點(diǎn)，適合處理大時(shí)延和非線性系統(tǒng)的問題。當(dāng)然支持向量機(jī)也存在著一定的不足，希望在不久的將來可以變得更加完美。生物醫(yī)學(xué)數(shù)據(jù)是非線性且十分復(fù)雜的數(shù)據(jù)。采用合適的算法對(duì)該數(shù)據(jù)進(jìn)行準(zhǔn)確分類，從而輔助醫(yī)生對(duì)病人的病情做出正確的判斷是十分必要的。由

3、于生物醫(yī)學(xué)數(shù)據(jù)的維數(shù)較高，從而本文用支持向量機(jī)結(jié)合主成分分析和遞歸特征消除的方法來對(duì)生物醫(yī)學(xué)數(shù)據(jù)進(jìn)行分類。
　　本文首先介紹了支持向量機(jī)、主成分分析以及遞歸特征消除方法的基本理論并介紹了其建模方法。對(duì)于維數(shù)十分高的生物醫(yī)學(xué)數(shù)據(jù)，本文采用主成分分析對(duì)其進(jìn)行預(yù)處理，使其維數(shù)降低以提高支持向量機(jī)的分類準(zhǔn)確率。另外，遞歸特征消除法是本文采用的另外一種降維方法，對(duì)該數(shù)據(jù)進(jìn)行預(yù)處理。其效果與主成分分析相當(dāng)。上述的兩種方法都能有效的提取高維數(shù)據(jù)