收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于支持向量数据描述的分类识别算法研究

杨振章  
【摘要】:统计学习理论(SLT)是Vapnik等人提出的一种小样本统计理论,主要研究小样本情况下的统计规律及学习方法性质。它为机器学习问题建立了一个较好的理论框架,并且在这框架下发展出了一种新的学习方法--支持向量机(SVM)。 支持向量机能较好地解决许多学习方法中的过学习、高维数、局部极小点等实际问题。在实际应用中,它不输于神经网络或决策树等方法。作为小样本学习的最佳理论,统计学习理论和支持向量机受到越来越广泛的重视,已经成为人工智能和机器学习领域的研究热点。然而,由于出现的时间较晚,支持向量机在很多方面还不成熟、不完善,需要进一步地研究和改进。在众多研究中,支持向量数据描述(SVDD)方法凭借其良好的性能得到了广大研究者的重视。 本文主要讨论了以下内容: 第一章和第二章主要介绍了支持向量机的研究背景、研究现状,阐述了统计学习理论以及二类支持向量机的主要思想和解决方法。 第三章引入支持向量数据描述,讨论了多种求解方法,然后通过实验对各种方法进行比较。SVDD的基本思想是对给定的样本集构造一个最小包围球,这个最小包围球尽可能多的包含样本集中的样本。支持向量数据描述可以写成与支持向量分类器(SVC)类似的形式。它把数据映射到高维特征空间中,但并没有增加额外的计算代价。这种映射使得算法能更灵活地处理问题。当样本点的维数较大时,传统的求解支持向量数据描述方法显得很无力。因此,人们把注意力转向近似算法。其中一种近似算法可以利用核集有效的求解出(1 +ε)-近似的支持向量数据描述问题。这种方法把核集当作样本集的一个近似,通过反复的对核集求解最优化问题来得到原始优化问题的解。令人惊讶的是,核集的最终大小与样本维数和样本个数都无关。 第四章介绍了核向量机,并提出了新算法。标准SVM在训练的时候需要O ( m3)的时间复杂度和O ( m2)的空间复杂度,m为样本个数。因此当样本数巨大时,标准SVM的训练变得十分困难。核向量机(CVM)展示了SVM的二次优化问题可以转化为硬间隔SVDD的等价形式。实验表明CVM在预测时与SVM的预测精度相当,但CVM的训练速度更快,可以处理大规模数据。在此,本文提出SVM的二次优化问题可以转化为软间隔SVDD的等价形式,并通过仿真实验与已知方法比较,说明了本文提出的这种方法的有效性。 第五章介绍了高斯核的性质、它对SVDD性能的影响以及一种高斯核参数优化算法。在众多核函数中,高斯核凭借其特殊的性质,得到了许多研究者的重视。然而,研究表明,SVDD的性能受高斯核参数的影响很大。因此,最优高斯核参数应该使得特征空间中的样本分布趋于超球形。基于仿真数据的实验说明了该方法的有效性。 第六章总结文章的主要工作,并对未来进行展望。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 郑一华;徐立中;黄凤辰;;基于支持向量分类的水质分析应用研究[J];仪器仪表学报;2006年S3期
2 黄津津;;基于SVM的分段线性学习方法[J];学校党建与思想教育(下半月);2008年S1期
3 赵洪波;赵丽红;;支持向量机学习算法—序列最小优化(SMO)[J];绍兴文理学院学报(自然科学版);2003年04期
4 郑小霞;钱锋;;高斯核支持向量机分类和模型参数选择研究[J];计算机工程与应用;2006年01期
5 于昕;韩崇昭;雷明明;;支持向量机在目标分类中的应用[J];电光与控制;2006年04期
6 张新明;孙印杰;;用混沌理论优化SVM核参数的研究[J];电脑开发与应用;2006年07期
7 苑敏;杨奎河;;基于支持向量机理论的多类分类算法[J];福建电脑;2007年02期
8 孙永奎;陈光;李辉;;支持向量机在模拟电路故障诊断中应用[J];电子测量与仪器学报;2008年02期
9 李哲谦;刘书朋;严壮志;黄海;;基于支持向量机的蛋白质相互作用预测[J];电子测量技术;2008年05期
10 张钦礼;王士同;郭琦;;使用超椭球参数化坐标的支持向量机[J];控制与决策;2008年06期
11 刘印锋;;支持向量机技术及应用[J];科技信息;2008年27期
12 周奇;;对支持向量机几种常用核函数和参数选择的比较研究[J];福建电脑;2009年06期
13 张莹;李凡生;范富旺;;基于数据挖掘的支持向量机库存预测模型研究[J];中国市场;2009年09期
14 王达;张坤;;基于支持向量机和转换的错误驱动学习方法的组块识别[J];南阳师范学院学报;2009年06期
15 张志强;张爱华;;基于支持向量机的高频振荡回路性能评价[J];微型机与应用;2011年08期
16 吴义国;黄彪;黎超;张磊;魏星;;一种改进的支持向量机学习算法[J];现代计算机(专业版);2011年09期
17 贾存良;吴海山;巩敦卫;;煤炭需求量预测的支持向量机模型[J];中国矿业大学学报;2007年01期
18 耿续涛;刘辉;刘鑫;;支持向量机在人脸识别中的应用研究[J];山西电子技术;2007年01期
19 张明;刘念祖;;电子商务信用管理的支持向量机应用[J];中国管理信息化(综合版);2007年09期
20 王小菊;李永华;;核方法的探讨及其应用[J];电脑知识与技术;2008年12期
中国重要会议论文全文数据库 前10条
1 林杰华;张斌;李冬森;宋华茂;余志强;王浩;;支持向量机在电力客户信用评级中的应用[A];全国第21届计算机技术与应用学术会议(CACIS·2010)暨全国第2届安全关键技术与应用学术会议论文集[C];2010年
2 蒋铁军;张怀强;李积源;;多变量系统预测的支持向量机方法研究[A];管理科学与系统科学研究新进展——第7届全国青年管理科学与系统科学学术会议论文集[C];2003年
3 黄淑云;孙兴玉;梁汝萍;邱建丁;;基于小波支持向量机预测蛋白质亚细胞定位研究[A];第十一届全国计算(机)化学学术会议论文摘要集[C];2011年
4 谢湘;匡镜明;;支持向量机在语音识别中的应用研究[A];现代通信理论与信号处理进展——2003年通信理论与信号处理年会论文集[C];2003年
5 涂冬成;薛龙;刘木华;赵进辉;沈杰;吁芳;;基于支持向量机的鹅肉肉色客观评定研究[A];中国农业工程学会电气信息与自动化专业委员会、中国电机工程学会农村电气化分会科技与教育专委会2010年学术年会论文摘要[C];2010年
6 杨凌;刘玉树;;基于支持向量机的坦克识别算法[A];第三届全国数字成像技术及相关材料发展与应用学术研讨会论文摘要集[C];2004年
7 师旭超;巴松涛;;基于支持向量机方法的深基坑变形预测[A];科技、工程与经济社会协调发展——河南省第四届青年学术年会论文集(上册)[C];2004年
8 张军;;支持向量机方法在地下水位干扰排除中的初步应用[A];2007年地震流体学术研讨会论文摘要集[C];2007年
9 许建生;盛立东;;基于改进的支持向量机和BP神经网络的识别算法[A];第八届全国汉字识别学术会议论文集[C];2002年
10 荣海娜;张葛祥;张翠芳;;基于支持向量机的非线性系统辨识方法[A];中国自动化学会、中国仪器仪表学会2004年西南三省一市自动化与仪器仪表学术年会论文集[C];2004年
中国博士学位论文全文数据库 前10条
1 常群;支持向量机的核方法及其模型选择[D];哈尔滨工业大学;2007年
2 常甜甜;支持向量机学习算法若干问题的研究[D];西安电子科技大学;2010年
3 杨金芳;支持向量回归在预测控制中的应用研究[D];华北电力大学(河北);2007年
4 邢永忠;最小二乘支持向量机的若干问题与应用研究[D];南京理工大学;2009年
5 李忠伟;支持向量机学习算法研究[D];哈尔滨工程大学;2006年
6 刘叶青;原始空间中支持向量机若干问题的研究[D];西安电子科技大学;2009年
7 胡运红;支持向量机的若干算法研究[D];山东科技大学;2011年
8 周喜川;非可信环境下的支持向量机研究[D];浙江大学;2010年
9 赵莹;半监督支持向量机学习算法研究[D];哈尔滨工程大学;2010年
10 杜小芳;基于CPFR的农产品采购模型研究[D];华中科技大学;2005年
中国硕士学位论文全文数据库 前10条
1 杨振章;基于支持向量数据描述的分类识别算法研究[D];杭州电子科技大学;2009年
2 刘艳伟;支持向量机方法在感潮河段洪峰水位预报中的应用[D];浙江大学;2010年
3 杨镭;支持向量机算法设计及在高分辨雷达目标识别中的应用[D];国防科学技术大学;2010年
4 李新;支持向量机的核方法及其多核聚类算法的研究[D];中国海洋大学;2010年
5 童振;基于支持向量机的电解液成分预测[D];东北大学;2008年
6 聂小芳;模糊粗糙集与支持向量机在煤与瓦斯突出预测中的应用研究[D];辽宁工程技术大学;2009年
7 鄢常亮;基于支持向量机的高炉向凉向热炉况预测研究[D];内蒙古科技大学;2010年
8 韩叙东;基于支持向量机的水电故障分类器的设计与实现[D];东北大学;2008年
9 冯杰;慢时变对象的支持向量机建模与在线校正方法研究[D];东北大学;2009年
10 朱耿峰;支持向量机在冲击地压预测模型中的应用研究[D];山东科技大学;2010年
中国重要报纸全文数据库 前10条
1 刘晓波 崔天伦;任职培训是学习方法刍议[N];人民武警;2006年
2 天予;教学方法需创新[N];中国妇女报;2002年
3 于云东 任惠彬 华军 任中兴 陈平军 刘志刚 胡其宗 陈讲峰;学以致用 用以促学 学用相长[N];人民武警;2003年
4 钟山;日读3500字是怎样落实的?[N];解放军报;2000年
5 朱爱林 张其云;紧密联系实际 创新学习方法[N];中国工商报;2010年
6 弓习科;丛台区理论学习方法多求实效[N];邯郸日报;2007年
7 张延宁;浅谈初中数学的学习方法[N];济宁日报;2008年
8 广西中医学院 刘燕平广西右江民族医学院 黄岑汉;浅谈中医诊断学及其学习方法[N];中国中医药报;2007年
9 金彧;《数据库原理》学习方法谈[N];中国电脑教育报;2002年
10 李冬梅;教学方法的创新[N];山西日报;2002年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978