SVM數(shù)據(jù)提取與聚類分類方法研究.pdf

1、支持向量機(jī)由于其出色的推廣能力，在近幾年得到廣泛的研究。雖然支持向量機(jī)在兩分類和多分類方面都取得很大進(jìn)展，但是仍有待進(jìn)一步的研究和改善。在兩分類中，SVM在大規(guī)模數(shù)據(jù)上訓(xùn)練速度很慢，利用數(shù)據(jù)提取的方法可以減少訓(xùn)練樣本數(shù)目，從而加快訓(xùn)練速度。 本文利用馬氏距離和“aσ-方法”提出新的數(shù)據(jù)提取方法，在進(jìn)行數(shù)據(jù)提取時(shí)根據(jù)樣本點(diǎn)到訓(xùn)練集的馬氏距離來確定樣本點(diǎn)與樣本集的位置關(guān)系，從而只提取對(duì)于建立超平面有作用的樣本點(diǎn)，并避免了以往的數(shù)據(jù)提

2、取方法很強(qiáng)的隨機(jī)性。在數(shù)據(jù)提取的過程中還考慮到了提取的數(shù)據(jù)占原來總樣本集數(shù)目的比例，通過調(diào)整a的值，可以控制數(shù)據(jù)提取的數(shù)量，避免提取后訓(xùn)練樣本集的數(shù)據(jù)太多或太少，并加快了支持向量機(jī)的訓(xùn)練速度。對(duì)于多分類問題，本文在聚類分類的基礎(chǔ)上，根據(jù)二叉樹思想，提出了一種新的聚類算法來進(jìn)行多分類。此方法充分利用二叉樹中分兩類的簡(jiǎn)便之處，將多類的聚類簡(jiǎn)化為點(diǎn)的聚類，從而避免了以往聚類方法中可能出現(xiàn)的同一類的點(diǎn)在聚類中變成不同類的問題，并結(jié)合選址問題中固