收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于边界向量样本的支持向量分类机

孔波  
【摘要】: 统计学习理论(SLT)是机器学习领域的一个新的理论体系,它非常适用于解决有限样本条件下的机器学习问题。支持向量机(Support vector machine, SVM)是在统计学习理论的基础上发展起来的一种小样本学习理论,与神经网络、遗传算法、人工智能等现有的机器学习方法相比,具有较好的推广能力和非线性处理能力,尤其是在处理高维数据时,有效地解决了“维数灾难”问题。现已广泛应用于模式识别和回归估计等问题中。 由于SVM还是一门崭新的技术,无论是理论上还是实际应用中都有许多问题亟待解,本文主要针对支持向量分类机的算法问题进行了研究: 一是研究了支持向量、中心距离比值、边界向量以及增量学习之间的关系,提出了基于中心距离比值的增量支持向量机。与传统方法相比,基于中心距离比值的增量支持向量机有效的利用了中心距离比值,解决了CDRM+SVM的阈值选取问题;且适合于增量学习;从而在保证了SVM的分类能力没有受到影响的前提下大大地提高了SVM的训练速度。 二是为了弥补最小二乘支持向量机(LS- SVM)所缺失的稀疏性,结合中心距离比值提出了一种稀疏最小二乘支持向量机。该方法不仅弥补了LS- SVM的稀疏性,而且减少了计算机的存储量和计算量,加快了LS- SVM的训练速度和决策速度,且不影响LS- SVM的分类能力。 三是利用SVM中支持向量的稀疏性和支持向量分布于分划超平面周围的性质,提出了一种预抽取相对较近边界向量的选块算法,该算法提高了FFMVM方法的准确率和减少了普通选块算法的迭代次数,从而在保证了SVM的分类能力没有受到影响的前提下大大地提高了SVM的训练速度。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 王快妮;倪科社;丁小帅;;最小二乘支持向量回归机在股指预测中的应用[J];科技信息;2010年18期
2 刘科峰;张韧;于鹏;王彦磊;余丹丹;;基于小波分解和最小二乘支持向量机的西太平洋副高预测模型[J];热带气象学报;2007年05期
3 张学军;李红;邓鹤;;基于最小二乘支持向量机的红外小目标检测[J];应用数学;2007年S1期
4 李志雄;;基于最小二乘支持向量机的砂土液化预测方法[J];西北地震学报;2007年02期
5 周鑫;包兴;;基于LS-SVM的产品需求预测[J];商场现代化;2007年20期
6 刘涵,刘丁,任海鹏;基于最小二乘支持向量机的混沌控制[J];物理学报;2005年09期
7 赵卿;李潇;徐进军;宓天跃;;混沌-支持向量机在大坝安全监控预测中的应用[J];大地测量与地球动力学;2008年02期
8 李潇;徐进军;;基于小波分析与LSSVM的滑坡变形预测[J];大地测量与地球动力学;2009年04期
9 熊胜华;周翠英;;基于缩减策略的混沌时间序列LSSVM预测模型[J];中山大学学报(自然科学版);2011年01期
10 高林庆;张植明;田景峰;;非概率空间上统计学习理论基础研究进展及展望[J];河北大学成人教育学院学报;2007年04期
11 陈青;王鹏鸣;;基于支持向量机的垃圾邮件过滤分析与实现[J];科技广场;2008年03期
12 范秋凤;陈彦涛;;支持向量机及其应用研究[J];科技信息;2009年29期
13 刘清山;汤俊;;基于相空间重构和最小二乘支持向量机的滑坡预测[J];浙江水利水电专科学校学报;2010年02期
14 程亮;刘家峻;刘科峰;余丹丹;余运河;;基于小波分解和最小二乘支持向量机的ENSO集成预测[J];海洋通报;2010年04期
15 李钧涛;杨瑞峰;左红亮;;统计机器学习研究[J];河南师范大学学报(自然科学版);2010年06期
16 徐芳,梅文胜,张志华;航空影像分割的最小二乘支持向量机方法[J];武汉大学学报(信息科学版);2005年08期
17 张耀波,张迁;基于SVM的遥感影像的分类[J];地理空间信息;2005年04期
18 李国平;路长厚;李健美;;基于最小二乘支持向量机的压印字符识别方法[J];上海大学学报(自然科学版);2007年02期
19 李永清;朱锡;石勇;李爽;;基于支持向量机的夹层结构水声性能预测建模[J];武汉理工大学学报;2007年07期
20 张卫华;孙浩;董瑞娟;;基于最小二乘支持向量机的交通安全预测模型[J];系统管理学报;2009年06期
中国重要会议论文全文数据库 前10条
1 李亚芬;李莹;马宁圣;;精馏过程航煤干点的软测量实现[A];中国仪器仪表学会2005年学术年会测控技术与节能环保学术会议论文集[C];2005年
2 苏高利;秦钟;于强;;基于最小二乘支持向量机的农田水汽通量建模[A];首届长三角科技论坛——气象科技发展论坛论文集[C];2004年
3 孙岩;彭亦功;;基于支持向量机和粒子群优化算法的软测量建模[A];中国仪器仪表学会2008学术年会第二届智能检测控制技术及仪表装置发展研讨会论文集[C];2008年
4 牛超;李夕海;刘代志;;基于混沌理论和LS-SVM的地球变化磁场时间序列预测[A];国家安全地球物理丛书(五)——地球物理与海洋安全[C];2009年
5 宋普云;沈雪勤;吴清;;一种改进的SMO算法[A];第六届全国计算机应用联合学术会议论文集[C];2002年
6 张钹;张铃;;统计学习理论及其应用[A];2001年中国智能自动化会议论文集(上册)[C];2001年
7 张国宣;孔锐;施泽生;郭立;;一种新的基于聚类的SVM迭代算法[A];第二届全国信息获取与处理学术会议论文集[C];2004年
8 戴林超;吴琳丽;赵海娜;李训铭;;基于最小二乘支持向量机的故障预测法[A];2009年中国智能自动化会议论文集(第六分册)[中南大学学报(增刊)][C];2009年
9 孙向东;黄日波;;运用SVMs原理预测蛋白质二级结构研究[A];广西微生物学会2003年学术年会论文集[C];2003年
10 刘斌;魏贤龙;李卓;;基于支持向量机的Widrow自适应滤波器[A];2006中国控制与决策学术年会论文集[C];2006年
中国博士学位论文全文数据库 前10条
1 冯云龙;统计学习理论中基于核的算法研究[D];中国科学技术大学;2012年
2 郭新辰;最小二乘支持向量机算法及应用研究[D];吉林大学;2008年
3 陈爱军;最小二乘支持向量机及其在工业过程建模中的应用[D];浙江大学;2006年
4 郭晓刚;高面板坝趾板基础高压灌浆技术及其智能预测与控制研究[D];中国科学院研究生院(武汉岩土力学研究所);2008年
5 彭珍瑞;基于LS-SVM的气液两相流参数测量研究[D];浙江大学;2007年
6 邹敏;基于支持向量机的水电机组故障诊断研究[D];华中科技大学;2007年
7 蒲秀娟;胎儿心电信号提取研究[D];重庆大学;2009年
8 张茂雨;支持向量机方法在结构损伤识别中的应用[D];同济大学;2007年
9 何熠;基于支持向量机的非线性系统辨识建模与控制[D];天津大学;2007年
10 殷志伟;基于统计学习理论的分类方法研究[D];哈尔滨工程大学;2009年
中国硕士学位论文全文数据库 前10条
1 孔波;基于边界向量样本的支持向量分类机[D];华中科技大学;2006年
2 高异;基于支持向量机的非线性系统建模与控制[D];西安理工大学;2006年
3 李莹;精馏过程航煤干点的软测量工程实现[D];大连理工大学;2006年
4 滕文凯;支持向量机反问题及其解法[D];河北大学;2005年
5 杜晓东;基于支持向量机的数据挖掘方法[D];山东大学;2005年
6 王李东;基于支持向量机(SVM)的短期负荷预测的研究[D];华中科技大学;2005年
7 郭得令;基于LS-SVM的围岩位移非线性预测应用研究[D];武汉理工大学;2006年
8 詹超;支持向量机在基因表达数据分类中的研究[D];武汉理工大学;2006年
9 马洁;基于支持向量机的股市预测问题研究[D];天津大学;2006年
10 邓小文;基于SVM的柴油机机械故障诊断研究[D];厦门大学;2006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