基于SVM的多类分类算法研究及其在网维中心故障定位中的应用

摘要

支持向量机是在统计学习理论基础上发展起来的一种新的机器学习方法。支持向量机又称为支持向量网络，具有理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点，已经成为目前国际、国内研究的热点。近年内，有关SVM的应用研究也得到了很多领域的学者的重视，在各个方面取得了大量的研究成果。 本文首先分析了现在四种最主要的基于SVM的多类分类算法的优缺点，并对其分类和测试速度进行了比较，然后提出了一种改进的二叉树多类分类算法。此算法继承了一对一多类分类法训练速度快的优点以及一对余类法训练的支持向量机数量少的优点，并在其决策阶段结合二叉树分类，提高了支持向量机的分类速度；避免了前面几种多类分类算法可能出现的误分拒分区域，提高了支持向量机的分类性能。 最后，本文用五种多类分类方法对网维中心故障数据库进行了分类仿真。仿真结果表明，改进的二叉树多类分类算法具有良好的有效性和实用性，在其他多级分类系统中亦具有一定的参考价值。

目录

文摘

英文文摘

第1章机器学习与支持向量机概述

1.1机器学习概述

1.2支持向量机概述

1.3支持向量机的应用

第2章支持向量机原理

2.1支持向量机分类机理分析

2.2核函数

第3章支持向量机多类分类算法

3.1支持向量机多类分类算法基本思想

3.2四种主要的多类分类算法介绍

3.3四种主要的SVM多类分类算法的研究比较

第4章一种改进的二叉树多类SVM分类方法

4.1改进的二叉树多类分类方法产生的原因

4.2改进的二叉树多类分类方法训练样本的选择方案

4.3改进的二叉树多类分类方法支持向量机的决策方案

4.4算法说明

4.5改进的二叉树多类分类方法步骤总结

4.6改进的二叉树多类分类方法的优点

第5章多类分类算法在网维中心故障定位中的应用仿真

5.1实验数据

5.2改进的二叉树多类分类算法的具体算法流程

5.3五种多类分类算法的应用仿真

第6章结束语

参考文献

致 谢