大樣本支持向量機研究.pdf

1、支持向量機(support vector machine,SVM)是基于統(tǒng)計學習理論的專門研究有限樣本分類和預測新機器學習方法。它擁有完備的數(shù)學理論基礎,根據(jù)結構風險最小化原則在保證學習精度的前提下提高了泛化能力,現(xiàn)已成為機器學習和人工智能界的一個研究熱點。但在某些方面,支持向量機仍存在著一些問題,如模型選擇、多類分類和大樣本數(shù)據(jù)信息的處理。本文分析了支持向量機算法的理論知識,闡述了不同算法的訓練迭代過程,并根據(jù)測試條件來建立模型。通過

2、對當前支持向量機算法所存在缺陷的正確定位,從分類回歸的目標出發(fā),分別在樣本數(shù)據(jù)的約簡、知識提取和算法的復雜度方面提出了相應的改進方法,并通過多次仿真實驗證明了所提出算法模型在處理大樣本數(shù)據(jù)信息的能力。主要工作分為以下三個方面:(1)系統(tǒng)分析了支持向量機的理論基礎及其訓練問題的數(shù)學描述。闡述了SVM訓練問題最終歸結為解一個帶有約束的凸二次規(guī)劃問題。概括了SVM的泛化性能,并對當前流行的一些快速訓練算法進行了詳細的對比分析。(2)詳細研究了

3、基于粗糙集的屬性約簡策略和規(guī)則知識的提取,概括了粗糙集不同算法的應用,并提出了一種基于粗糙集的最小二乘支持向量機的算法模型。該算法分別從分類、回歸的角度證明算法的性能。通過MATLAB平臺下的802.11a收集樣本數(shù)據(jù),利用最小二乘支持向量建立信道分類和參數(shù)回歸模型,根據(jù)建立的模型來決策信道的選擇和參數(shù)配置的確定,并仿真證明了該算法模型的有效性。(3)深入研究了SVM中的支持向量數(shù)據(jù)描述算法(SVDD),提出了基于粗糙集的SVDD分類算