Boosting集成支持向量機(jī)的研究.pdf

1、　　機(jī)器學(xué)習(xí)是人工智能的一個(gè)重要組成部分，是人工智能中重點(diǎn)研究的核心領(lǐng)域。集成學(xué)習(xí)作為一種新的機(jī)器學(xué)習(xí)方法，由于其能夠很好地提高學(xué)習(xí)系統(tǒng)的泛化能力，因此，成為機(jī)器學(xué)習(xí)領(lǐng)域內(nèi)一個(gè)重要的研究方向。Boosting算法作為集成學(xué)習(xí)方法中一個(gè)典型代表，已經(jīng)被應(yīng)用到機(jī)器學(xué)習(xí)的各個(gè)領(lǐng)域。支持向量機(jī)是Vapnik于1995年首先提出的，由于其對(duì)一些非線性、小樣本和高維模式下的問題具有很好的學(xué)習(xí)效果，因此，支持向量機(jī)得到了很快的發(fā)展并且應(yīng)用到很多實(shí)際的

2、方面，如文本分類、手寫識(shí)別、人臉識(shí)別和函數(shù)擬合等。隨著Boosting算法和支持向量機(jī)的廣泛應(yīng)用，算法性能的提高越來越受到研究學(xué)者的重視。
　　本文的主要研究工作是：首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，進(jìn)行歸一化處理，然后采用粒子群優(yōu)化算法對(duì)支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化，采用支持向量機(jī)對(duì)數(shù)據(jù)進(jìn)行分類或回歸的實(shí)驗(yàn)，為了提高分類或回歸的精度，本文提出了 Boosting 集成支持向量機(jī)(Boosting-SVM)的算法，讓支持向量機(jī)做 Boosti

3、ng 算法中的弱學(xué)習(xí)機(jī)，然后對(duì)學(xué)習(xí)機(jī)進(jìn)行有權(quán)重的投票方式進(jìn)行集合學(xué)習(xí)，從而獲得了更好的分類和回歸效果，得到更高的精度。采用SVM算法和Boosting-SVM 算法在多個(gè) UCI 數(shù)據(jù)集上進(jìn)行分類和回歸對(duì)比試驗(yàn)，實(shí)驗(yàn)結(jié)果表明， Boosting-SVM比單個(gè)支持向量機(jī)的方法具有更高的分類和回歸精度。
　　本文將Boosting-SVM方法應(yīng)用到對(duì)胎兒體重的預(yù)測(cè)。近年來，隨著生活水平的普遍提高，胎兒的平均體重也在逐漸增加，導(dǎo)致了