基于復合核函數(shù)及軟邊緣的新型支持向量機的研究.pdf

1、本文首先系統(tǒng)地總結(jié)了支持向量機理論。支持向量機是Vapnik等人根據(jù)統(tǒng)計學習理(Statistical Learning Theory,簡稱SLT)提出的一種學習方法,是基于線性可分情況下的最優(yōu)分類超平面提出的算法。支持向量機“軟邊緣”策略的引入使支持向量機在很多領(lǐng)域得到廣泛的應(yīng)用和發(fā)展。
　　 在深入了解支持向量機理論及國內(nèi)外研究現(xiàn)狀的基礎(chǔ)上,論文研究了支持向量機內(nèi)積核函數(shù)的工作原理及其構(gòu)造和支持向量機的邊緣處理策略。研究發(fā)現(xiàn)

2、傳統(tǒng)支持向量機在分類方面存在兩點不足:
　　 1.目前的“軟邊緣”支持向量機算法對錯分的樣本數(shù)據(jù)不加區(qū)別,采用完全相同的錯分代價,引入相同錯分懲罰因子,認為所有被錯分的形形色色的數(shù)據(jù)對確定最后決策分類面的影響度是相同的。這種邊緣處理模式的一刀切策略對錯分樣本數(shù)據(jù)的懲罰度相同,最終會導致分類精度不高。
　　 2.傳統(tǒng)的單一核函數(shù)不能滿足噪聲數(shù)據(jù)的現(xiàn)實需求,使得分類機器的學習能力不強,或者推廣能力不強。
　　 針對傳

3、統(tǒng)支持向量機的上述不足,文章提出了以下兩點改進:
　　 1.對錯分的樣本數(shù)據(jù),采用不同的錯分代價,引入不同錯分懲罰因子；對分類超平面兩側(cè)的數(shù)據(jù)點采用區(qū)別對待的新的軟邊緣處理模式。
　　 2.在原有核函數(shù)的基礎(chǔ)上提出了一種新型復合核函數(shù),并通過調(diào)整新型核函數(shù)的各個參量使支持向量機具有較為均衡的學習能力和泛化能力；
　　 在建立了新型支持向量機模型之后,論文通過數(shù)值試驗結(jié)果分析并驗證了改進的支持向量機在分類上的優(yōu)勢,