基于混合核函數(shù)的SVM及其應(yīng)用研究.pdf

1、支持向量機(jī)(SVM)是由Vapnik提出的基于統(tǒng)計(jì)學(xué)習(xí)理論的一種分類方法，使低維特征空間經(jīng)過(guò)一種非線性轉(zhuǎn)換得到一個(gè)高維特征空間，最優(yōu)分類超平面即可在轉(zhuǎn)變到這個(gè)新的空間中求解，由此將不可分問(wèn)題轉(zhuǎn)化為可分問(wèn)題。在解決類似小樣本、高維數(shù)、非線性等眾多實(shí)際問(wèn)題中SVM表現(xiàn)了很強(qiáng)的優(yōu)勢(shì)，這種方法在機(jī)器學(xué)習(xí)中占有著非常重要的地位。
　　核函數(shù)作為支持向量機(jī)的核心，支持向量機(jī)的性能表現(xiàn)受到不同的核函數(shù)的直接影響，提高核函數(shù)性能成為研究支持向量機(jī)

2、工作中的核心問(wèn)題之一。
　　本文首先介紹了支持向量機(jī)理論和核函數(shù)理論，通過(guò)對(duì)SVM及核函數(shù)性質(zhì)的研究并在不同數(shù)據(jù)集上測(cè)試四種常用核函數(shù)（線性核函數(shù)、高斯核函數(shù)、多項(xiàng)式核函數(shù)、sigmoid核函數(shù)）的性能，選擇較優(yōu)的兩種或多種核函數(shù)進(jìn)行組合構(gòu)造新的混合核函數(shù)，然后利用遺傳算法這種人工智能學(xué)習(xí)算法對(duì)混合核函數(shù)中核權(quán)重系數(shù)及核參數(shù)進(jìn)行自動(dòng)化優(yōu)化，同時(shí)測(cè)試混合核函數(shù)SVM在不同數(shù)據(jù)集上的性能，并與單核測(cè)試數(shù)據(jù)結(jié)果進(jìn)行分析比較，得出結(jié)論，驗(yàn)