基于支持向量机的多领域自适应分类方法研究

摘要

支持向量机是在统计学习理论基础上发展出的一种性能优良的学习机器，其基本的思想是，在线性情况下，在原空间寻找两类样本的最优分类超平面，而在非线性情况下，首先将原始模式空间映射到高维的特征空间，并在该特征空间中寻找最优分类超平面。支持向量机利用一些具有特殊性质的核函数，将低维空间中的非线性运算实现为特征空间中的内积运算，从而巧妙地避免了计算高维特征空间。SVM根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能力。SVM将机器学习中的最大间隔超平面、Mercer核、凸二次优化、稀疏解和松弛变量等技术集成在一起，在许多挑战性的问题中获得目前为止最好的性能。 核函数是支持向量机的重要组成部分之一，也是目前支持向量机的研究热点之一。不同的核函数产生不一样的支持向量机。基于此，本文对支持向量机的核函数进行了深入研究，主要工作如下： 1)介绍了VC维理论和结构风险最小化原则，通过支持向量机引入核函数。讨论支持向量机参数选择的重要性，并以高斯核函数为例对高斯核半径和惩罚参数C进行讨论。 2)通过将核函数分为局部性核函数和全局性核函数，在保持原有核函数基本特性的基础上，并通过对其进行组合，引入了自适应组合核函数。 3)将构造了的自适应核函数应用于多领域的试验中，并将实验效果与传统的核函数试验效果进行比较。大量实验数据证明，该核函数较高斯核函数有更好的学习能力和分类性能。 4)根据试验采集的数据，建立基于支持向量机的多领域的自适应模型库。

目录

文摘

英文文摘

声明

第1章 绪论

1.1人工智能机器学习及其发展

1.1.1机器学习问题

1.1.2机器学习的发展

1.1.3机器学习的实现方法

1.2基于支持向量机的自适应相关研究

1.3论文的研究内容及组织结构

第2章统计学习理论及支持向量机

2.1机器学习的基本问题

2.1.1问题的表示

2.1.2经验风险最小化

2.1.3复杂性和泛化性能

2.2统计学习理论

2.2.1 VC维(函数的多样性)

2.2.2泛化性的界

2.2.3结构风险最小化

2.3支持向量机

2.3.1线性可分的SVM

2.3.2线性最优分类面的SVM

2.3.3线性广义最优分类面的SVM

2.3.4非线性可分的SVM

2.4算法实现

2.4.1选块算法(chunking)

2.4.2分解算法(Deeomposing)

2.4.3序贯最小优化算法(SMO)

2.5本章小结

第3章支持向量机中核函数的研究

3.1核函数基本概念和常见的核函数

3.1.1核函数的性质

3.1.2核函数方法的特点

3.1.3核函数方法实施步骤

3.2核参数的选择方法研究

3.2.1核函数参数实验

3.2.2核参数选择方法的分析

3.2.3惩罚系数C的研究

3.3本章小结

第4章新的自适应组合核函数的研究

4.1局部核函数和全局核函数

4.1.1局部核函数

4.1.2全局核函数

4.2组合核函数的研究

4.3核函数的进一步讨论

4.4本章小结

第5章系统的设计与实现

5.1系统模型

5.2系统实现

5.2.1数据的归一化

5.2.2数据记录的表示

5.2.3分类器的模型表示

5.3开发环境

5.4系统功能与界面

5.5本章小结

第6章 总结与展望

6.1本论文的研究工作总结

6.2研究展望

参考文献

致 谢

攻读硕士学位期间发表的论文