粒度支持向量機(jī)學(xué)習(xí)方法研究.pdf

1、支持向量機(jī)(Support Vector Machine，SVM)是近年來受到廣泛關(guān)注的一類學(xué)習(xí)機(jī)器，它以統(tǒng)計(jì)學(xué)習(xí)理論（Statistical Learning Theory, SLT）為基礎(chǔ)，具有簡潔的數(shù)學(xué)形式、標(biāo)準(zhǔn)快捷的訓(xùn)練方法和良好的泛化性能，已廣泛應(yīng)用于模式識別、函數(shù)估計(jì)和時(shí)間序列預(yù)測等數(shù)據(jù)挖掘問題。然而，由于支持向量機(jī)的學(xué)習(xí)效率主要取決于數(shù)據(jù)的規(guī)模，迄今為止，針對實(shí)際問題中的大規(guī)模數(shù)據(jù)集，支持向量機(jī)并未達(dá)到人們期待的處理效率。

2、因此如何提高支持向量機(jī)的學(xué)習(xí)效率就成為支持向量機(jī)研究所關(guān)注的焦點(diǎn)，這也是本文研究的出發(fā)點(diǎn)。
　　本文將粒度計(jì)算方法與支持向量機(jī)相融合，對粒度支持向量機(jī)(Granular SupportVector Machine，GSVM)的學(xué)習(xí)機(jī)制和學(xué)習(xí)算法進(jìn)行系統(tǒng)的研究，主要內(nèi)容如下:
　　(1)對現(xiàn)有的支持向量機(jī)與粒度計(jì)算具體模型的結(jié)合方法進(jìn)行了系統(tǒng)的分析。
　　(2)探索了粒度支持向量機(jī)的內(nèi)在學(xué)習(xí)機(jī)制，在SVM學(xué)習(xí)框架下，引入

3、粒與粒的內(nèi)積運(yùn)算，建立粒度核函數(shù)并將之運(yùn)用于粒度支持向量機(jī)的學(xué)習(xí)之中。首先按樣本標(biāo)簽將數(shù)據(jù)集分為多個(gè)粒，然后將每個(gè)?？醋鲄⑴cSVM的訓(xùn)練。通過控制粒的多少從而控制粒的粗細(xì)進(jìn)行訓(xùn)練，最終可以在訓(xùn)練速度和泛化性能之間找到滿意的折衷。實(shí)驗(yàn)表明，運(yùn)用粒度核支持向量機(jī)可以使訓(xùn)練速度大大提高，同時(shí)可獲得令人滿意的泛化能力。
　　(3)提出了一種基于指數(shù)相似度的粒度支持向量機(jī)學(xué)習(xí)方法。針對粒度計(jì)算在大規(guī)模數(shù)據(jù)集處理方面的應(yīng)用，本文引入指數(shù)相似度