基于機器學習的分類算法研究.pdf

1、機器學習是研究使計算機模仿人類學習行為和積累經驗的方式，不斷提升和優(yōu)化自身性能的統(tǒng)計學習方法，是人工智能主要關注和研究的問題之一。它可以通過對一定的樣本集蘊含的規(guī)律進行學習而構造出一個具有低結構風險和高泛化能力的分類模型，其中支持向量機（SVM）是基于最大化類間間隔思想在原始數(shù)據(jù)空間中尋找構建一個最優(yōu)決策超平面將兩類不同的樣本盡可能分開，在非線性分類中，選擇引用特定核函數(shù)將原始樣本空間映射到可構造出最優(yōu)分類決策超平面的高維特征空間中。A

2、NN則是模仿人腦結構和功能，由大量具有處理能力的神經元相互連接組成。ANN通過調整連接值大小和閾值從訓練數(shù)據(jù)中學習知識、經驗和規(guī)律，具有很強的模式分類能力，其中誤差反傳神經網(wǎng)絡(BP)是神經網(wǎng)絡中實際應用最廣泛和成功的方法之一，其學習過程是在正向傳播時輸入樣本數(shù)據(jù)經過輸入層傳入，隱層處理后輸入輸出層，若輸出層輸出與期望值不一致，則轉向將輸出誤差通過用某種方法隱層逐層反傳至輸入層，并同時逐層修改各層神經元之間的連接權值和閾值大小。

3、　　本論文的所有研究工作主要包括兩大部分內容：
　?。?）結合N-S磁極效應和SVM提出一種新穎的分類器模型。本文深入研究了目前傳統(tǒng)的 SVM以及變體算法，發(fā)現(xiàn)傳統(tǒng) SVM以及變體只考慮最大化類間間隔而忽略了類內分布性狀或分類邊界，因此結合N-S磁極效應原理和大間隔思想提出一種新穎的最大間隔分類模型。該模型不僅考慮了最大化類間間隔，而且兼顧了類內分布性狀，同時引入模糊隸屬度技術降低噪聲和野點對構造超平面的干擾。從人工數(shù)據(jù)集以及UC

4、I數(shù)據(jù)集上的實驗數(shù)據(jù)分析證明，新提出的分類模型能有效的提高了類線性數(shù)據(jù)分布的分類性能和泛化能力。
　?。?）提出一種改進的 CBP網(wǎng)絡算法。本文深入研究傳統(tǒng) BP網(wǎng)絡以及國內外前輩學者的改進方法，由于傳統(tǒng)的BP方法及其改進在訓練過程中存在學習速率保持固定不變、收斂性慢以及極易落入局部極小值附近等缺陷和不足，通過在各層權值和偏差調整中引入各個權值對誤差的貢獻率使學習速率根據(jù)誤差和貢獻率連續(xù)變化，并結合動量系數(shù)法加快跳出局部極小值附近