基于人为误差的支持向量机

摘要

支持向量机是Vapnik等人提出的一种以统计学习理论为基础的机器学习方法，它以结构风险最小化代替经验风险最小化作为优化准则，在最小化样本点误差的同时缩小模型预测误差的上界，从而提高了模型的泛化能力，即使在小训练样本的情况下理论上也可以得到很好的效果． 对于分类问题，支持向量机的基本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；而在非线性的情况下，是通过一个非线性映射将输入数据映射到一个高维内积空间并在这一高维特征空间中寻找最优分类超平面，因此可以很好的解决样本高维问题．另外，支持向量机通过解一个线性约束的二次规划问题得到全局最优解． 本文以解决分类问题为目标，对支持向量分类机从理论和模型等方面进行深入研究，主要工作如下： 1.从两类训练样本近似线性可分的情况入手，本文对传统的支持向量机算法及其变形算法进行分析和研究． 2.通过对传统的支持向量机算法及其变形算法的分析和研究，考虑当训练集数据有较大人为误差参与的情况．本文以训练集数据受到较大的人为误差影响为出发点，研究了当训练集数据含有人为误差时如何保障其算法精度的问题，提出了基于人为误差的支持向量机(Artificial Error-Support Vector Machine以下称AE-SVM)的思想． 3.介绍了基于人为误差的支持向量机的基本理论，并建立了AE-SVM的理论模型，是C-SVM模型的改进和推广．

目录

文摘

英文文摘

声明

1绪论

1.1引言

1.1.1支持向量机的背景

1.1.2支持向量机的基本思想

1.2研究现状和发展

1.2.1支持向量机的研究现状

1.2.2支持向量机的发展

1.3本文的研究内容和全文组织结构

1.3.1本文的主要研究内容

1.3.2全文的组织结构

2统计学习理论和支持向量机

2.1统计学习理论

2.1.1 VC维

2.1.2推广性的界

2.1.3结构风险最小化原理

2.2支持向量机

2.2.1两类样本训练集线性可分的情况

2.2.2两类样本训练集线性不可分的情况

2.2.3样本训练集非线性可分的情况

3基于人为误差的支持向量机

3.1引言

3.2传统的SVM模型(线性可分的情况)

3.3.AE-SVM基本理论和原始模型建立

3.3.1 AE-SVM基本理论

3.3.2 AE-SVM原始模型的建立

4结论和展望

4.1论文总结

4.2论文的创新点

4.3存在的问题与未来工作的展望

参考文献

致谢