支撐向量機(jī)的核參數(shù)選擇算法.pdf

1、支撐向量機(jī)（Support Vector Machine，SVM）是由Vapnik等人于上世紀(jì)90年代在多年研究統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上提出的一個(gè)新的機(jī)器學(xué)習(xí)方法。由于在學(xué)習(xí)和分類(lèi)問(wèn)題中出色的泛化性能，支撐向量機(jī)（SVM）很快成為了國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)并在許多智能信息獲取與處理領(lǐng)域都取得了成功的應(yīng)用。
　　 核函數(shù)是支撐向量機(jī)（SVM）模型的主要元素，它將原空間中的數(shù)據(jù)映射到特征空間，使得在輸入空間中難以處理的非線性問(wèn)題可在特征空間

2、中獲得線性性能。然而僅有高性能的核函數(shù)對(duì)于構(gòu)造支撐向量機(jī)（SVM）模型是不充分的，還要有與之對(duì)應(yīng)的高性能模型選擇算法。模型選擇算法通過(guò)發(fā)現(xiàn)最優(yōu)的模型參數(shù)，從而使支撐向量機(jī)（SVM）達(dá)到較好的訓(xùn)練效率和應(yīng)用效果。
　　 傳統(tǒng)的基于網(wǎng)格的模型參數(shù)訓(xùn)練方法可以概括為一個(gè)關(guān)于懲罰因子C和高斯核參數(shù)的兩層循環(huán)優(yōu)化過(guò)程。該算法對(duì)于大規(guī)模樣本集，時(shí)間和空間復(fù)雜度較大，同時(shí)訓(xùn)練樣本中存在的噪音點(diǎn)通常使得分類(lèi)精度降低。所以減樣和除噪（或者統(tǒng)稱(chēng)為選

3、擇候選支撐向量集）成為影響支撐向量機(jī)（SVM）分類(lèi)性能的重要因素。
　　 本論文對(duì)支撐向量機(jī)（SVM）核參數(shù)的選擇，提取候選支撐向量集等問(wèn)題進(jìn)行了學(xué)習(xí)、研究和探索。首先本文介紹了支撐向量機(jī)（SVM）研究的現(xiàn)狀，以及支撐向量機(jī)（SVM）的理論基礎(chǔ)和其關(guān)鍵技術(shù)核函數(shù)。而后就支撐向量機(jī)（SVM）模型選擇問(wèn)題尤其是高斯核函數(shù)的參數(shù)選擇算法進(jìn)行了詳細(xì)的介紹和分析。最后通過(guò)對(duì)減樣和除噪問(wèn)題進(jìn)行分析而提出選擇候選支撐向量集的算法，并基于此提出