基于加權(quán)多寬度高斯核函數(shù)的支持向量機聚類算法研究.pdf

1、用機器學習的方法分析數(shù)據(jù)、挖掘海量數(shù)據(jù)背后的知識,促成了數(shù)據(jù)挖掘的產(chǎn)生。聚類分析是數(shù)據(jù)挖掘的一項重要功能,其作為數(shù)據(jù)分割的方法,能將具有相似性質(zhì)的數(shù)據(jù)劃分到同一類中,因此也常常用作異常數(shù)據(jù)點識別的方法。支持向量機是借助于最優(yōu)化方法解決機器學習問題的新工具,最初于20世紀90年代由Vapnik提出,它通過核函數(shù)工作在特征空間,也就是在輸入空間無法解決的非線性問題可在特種空間中獲得線性性能。而核函數(shù)作為實現(xiàn)非線性映射的重要途徑是支持向量機得

2、到廣泛應(yīng)用和取得良好效果的關(guān)鍵所在。將支持向量機應(yīng)用聚類分析構(gòu)成支持向量聚類算法,在該算法中高斯核函數(shù)可調(diào)參數(shù)的唯一性和數(shù)據(jù)樣本空間分布的不均勻性,使其在樣本的稠密區(qū)域產(chǎn)生過學習現(xiàn)象,而在樣本的稀疏區(qū)域則產(chǎn)生欠學習現(xiàn)象,限制了支持向量機泛化性能。因此,本文提出了泛化能力更強的加權(quán)多寬度高斯核函數(shù)。
　　 本論文主要研究了基于加權(quán)多寬度高斯核函數(shù)的聚類算法。研究加權(quán)多寬度高斯核的意義在于一方面可以擴展支持向量機的應(yīng)用性,提高支持向

3、量機的性能,進而擴展模式分析、人工智能和機器學習;另一方面核方法作為一門獨立的學科,處于剛剛發(fā)展的初始階段,其潛力還沒有得以完全發(fā)掘。
　　 本論文主要創(chuàng)新工作是:
　　 1.在支持向量聚類中,普通高斯核函數(shù)存在局限性,提出了泛化能力更強的加權(quán)多寬度高斯核函數(shù),通過多參數(shù)調(diào)節(jié)提高核的學習能力和泛化能力。
　　 2.將加權(quán)多寬度高斯核學習引入到聚類分析中,提出了一種加權(quán)多寬度高斯核聚類算法。通過加權(quán)多寬度高斯核的非