支持向量機(jī)訓(xùn)練算法的研究.pdf

1、支持向量機(jī)(SVM)是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來(lái)的一種新的模式識(shí)別方法，它是統(tǒng)計(jì)學(xué)習(xí)理論中的結(jié)構(gòu)風(fēng)險(xiǎn)最小化思想在實(shí)際中的一種體現(xiàn)。SVM的基本思想是通過(guò)非線性變換將輸入空間映射到一個(gè)高維空間，然后在這個(gè)新的空間中尋求最優(yōu)分類(lèi)超平面。它在解決小樣本、非線性及高維模式識(shí)別問(wèn)題中表現(xiàn)出許多特有的優(yōu)勢(shì)，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問(wèn)題中。然而，支持向量機(jī)作為一種新的技術(shù)，還存在許多開(kāi)放性的問(wèn)題值得進(jìn)一步的認(rèn)真研究。
　　特征選

2、擇是當(dāng)前信息領(lǐng)域，尤其是模式識(shí)別領(lǐng)域的研究熱點(diǎn)之一。隨著人工智能、計(jì)算機(jī)技術(shù)的迅速發(fā)展和應(yīng)用領(lǐng)域的不斷拓寬，特征選擇和提取方法得到了較大的發(fā)展，基于統(tǒng)計(jì)或機(jī)器學(xué)習(xí)的理論研究成果不斷出現(xiàn)，其中的一些已在實(shí)際工程應(yīng)用中顯示出巨大的發(fā)展?jié)摿ΑＬ卣鬟x擇及分類(lèi)器參數(shù)優(yōu)化是提高分類(lèi)器性能的兩個(gè)重要方面，針對(duì)最小二乘支持向量機(jī)特征選擇及參數(shù)優(yōu)化問(wèn)題，得出一種基于PSO的LS-SVM特征選擇與參數(shù)同步優(yōu)化算法，用PSO算法對(duì)特征及參數(shù)進(jìn)行優(yōu)化。上述算法

3、在UCI標(biāo)準(zhǔn)數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)證明是可行的。
　　針對(duì)直推式支持向量機(jī)在進(jìn)行大數(shù)據(jù)分類(lèi)時(shí)出現(xiàn)精度低、學(xué)習(xí)速度慢和回溯式學(xué)習(xí)多的問(wèn)題，得出一種基于增量學(xué)習(xí)的漸進(jìn)直推式支持向量機(jī)分類(lèi)算法，將增量學(xué)習(xí)引入直推式支持向量機(jī)，使其在訓(xùn)練過(guò)程中僅保留有用樣本而拋棄無(wú)用樣本，從而減少學(xué)習(xí)時(shí)間，提高分類(lèi)速度。實(shí)驗(yàn)結(jié)果表明，該算法具有較快的分類(lèi)速度和較高的分類(lèi)精度。
　　最后一節(jié)論文總結(jié)主要工作并對(duì)未來(lái)工作進(jìn)行展望。相信本文的工作對(duì)類(lèi)似的研究