雙閾值控制的字符串核SVM研究.pdf_第1頁
已閱讀1頁，還剩60頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

1、支持向量機(SVM)是在統(tǒng)計學習理論(SLT)的基礎上發(fā)展起來的一種機器學習方法。它建立在結構風險最小原則(SRM)之上，能有效避免過學習、維數災難、產生局部極小點等問題，在小樣本條件下仍具有良好的推廣能力。 本文旨在對序列最小優(yōu)化算法(SMO)進行改進，并構造一個字符串核SVM。論文對SMO算法進行詳細的分析，指出當所有訓練樣本都在邊界，閾值無法確定時，使用取上下界均值方法帶來的優(yōu)化效率下降問題。針對這個問題，本文提出使用雙閾

2、值控制的方法，將KKT條件進行推導轉化形成新的優(yōu)化判斷條件，避免了不正確的閾值更新引起的冗余計算。然后本文討論了結構化數據向量轉化中的信息丟失問題，引入結構化核函數的概念。并根據字符串結構特征，構造了一個有限字符串結構核函數，準確地描述了字符串的相似度。并將其應用于字符串樣本訓練，形成基于字符串核的支持向量機(SSVM)，從而將SVM適用范圍拓展到結構化數據。實驗證明，雙閾值SMO算法比SMO算法效率更高，SSVM在字符串分類中能達到較

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論