加權(quán)支持向量機若干算法的研究及其應用.pdf

1、支持向量機(Support Vector Machine,SVM)是Vapnik等人于1995年首次提出的,它在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢.其主要思想是將向量映射到一個更高維的空間里,在這個空間里建立一個最大間隔超平面.
　　 本文首先介紹了所研究問題的背景以及支持向量機的理論基礎,主要是統(tǒng)計學習理論,包括學習過程的一致性,邊界理論和結(jié)構(gòu)風險最小化原理等內(nèi)容,然后給出了最基本的支持向量機算法.接著我們

2、討論了各種衍生的支持向量算法,通過比較各種衍生的支持向量機算法的優(yōu)缺點,為改進支持向量機算法以及提出新的支持向量機算法做了理論準備.
　　 在實際應用中,某些樣本比較重要,我們更希望它能夠被正確分類,而某些樣本相對來說沒那么重要,因此,在建立分類模型時,對重要的樣本點采用較大的懲罰系數(shù),對相對來說不那么重要的樣本采用較小的懲罰系數(shù),以期得到更符合實際的分類模型,我們稱這種支持向量機為加權(quán)支持向量機,其實普通支持向量機也可以看作是

3、所有懲罰系數(shù)都為1的特殊的加權(quán)支持向量機.現(xiàn)在的加權(quán)支持向量機主要是指加權(quán)C-SVM.而我們又想利用各種衍生的支持向量機算法的優(yōu)點,因此在第四章,我們主要討論了各種衍生的支持向量機的加權(quán)方法.
　　 One-class SVM主要用于解決單分類問題,比如說異常點的尋找,現(xiàn)在我們把該方法應用到多分類問題,通過引入歸屬度這個概念,該方法是可以應用到多分類問題的,我們在第五章給出了具體的操作方法.
　　 第六章是算法驗證,我們