結(jié)合粗糙集的支持向量機研究及應(yīng)用.pdf

1、SVM是統(tǒng)計學(xué)習(xí)的一種，是在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種新型的學(xué)習(xí)機器。目前，SVM被看作是解決分類問題和回歸問題的強有力的工具，并已經(jīng)是機器學(xué)習(xí)領(lǐng)域繼神經(jīng)網(wǎng)絡(luò)后新的研究熱點。它以結(jié)構(gòu)風(fēng)險最小化原則以及VC維理論為理論基礎(chǔ)，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以期獲得最好的推廣能力。支持向量機被看作是對傳統(tǒng)分類器的一個好的發(fā)展，在解決小樣本、非線性和高維的機器學(xué)習(xí)問題中表現(xiàn)出了許多特有的優(yōu)勢。 眾所周

2、知，利用支持向量來進行線性或非線性規(guī)劃具有全局收斂優(yōu)勢，但是支持向量機在解決多類問題時轉(zhuǎn)化過程較為繁雜，且計算量較大，需要占用大量的訓(xùn)練時間。為此，提出了基于鄰域的支持向量機訓(xùn)練算法，即通過鄰域的計算來減少訓(xùn)練樣本的數(shù)目以節(jié)約訓(xùn)練時間并降低計算量。為了在降低冗余的同時確保分類的準確率，在訓(xùn)練過程中也引入了粗糙集的原理，利用粗糙集理論對數(shù)據(jù)進行屬性約簡，從而進一步減少支持向量機求解計算量。實際結(jié)果證明了該方法的有效性。 本論文解決

3、的主要問題： (1)針對二類分類問題提出的支持向量機在解決多類分類問題時需要進行一定的轉(zhuǎn)化，本文采用將一個多類問題統(tǒng)一為一個兩類問題的轉(zhuǎn)化方法，并在空間映射方面做出改進，使得新類的類內(nèi)距離更小，類間距離更大，從而提高樣本的可分性，最后通過類內(nèi)散度和類間散度的計算在UCI數(shù)據(jù)集上加以驗證。 (2)結(jié)合粗糙集與支持向量機的理論，利用粗糙集理論對數(shù)據(jù)的屬性進行約簡，在保持知識庫分類能力不變的條件下，根據(jù)其等價關(guān)系刪除其中不相關(guān)