收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

改进的支持向量机的理论研究及应用

刘春雨  
【摘要】:分类问题是机器学习和数据挖掘中经常遇到的重要问题,支持向量机模型是针对小样本分类问题提出来的,由于其极小化结构风险,避免维数灾难和核函数的巧妙结合等特点成为目前解决分类问题中最有效的机器学习算法之一.但传统的支持向量机模型的目标函数是单一的,产生一个分类超平面,当训练的样本数据过小时容易产生过拟合现象,且不适用于数据量较大的样本.为了改善上述情况,近几年出现了一些改进的支持向量机模型,本文主要是研究此类支持向量机模型的理论和应用.本文研究的内容主要有四部分.首先,从支持向量机模型中目标函数的个数不同,划分为单目标函数的支持向量机模型和双目标函数的支持向向量机模型.接着,进行理论分析:在单目标函数的支持向量机模型中,主要研究了最基本的支持向量机和C-支持向量机;在双目标函数的支持向量机中,重点研究了孪生支持向量(TWSVM)和非平行支持向量机(NPSVM),从理论上分析了传统的支持向量机模型和改进的支持向量机的区别和联系,并进一步指出了改进的支持向量机模型在理论上和实际应用中的优点和不足.然后,为了突出改进的支持向量机模型应用到分类问题的优点,本文对文本分类和情感分析两个分类问题进行试验,其中情感分析应用领域的研究是一个创新点.最后,为了拓宽研究思路,作者将支持向量机与深度学习做简要的对比.本文的主要结果如下:1.改进的支持向量机模型是产生两个分类超平面,使得同一类样本尽可能在同一个超平面内,并且尽可能远离另一类样本所在的超平面,从理论上比传统的支持向量机模型更能拟合数据的分布.2.改进的支持向量机将传统的支持向量机中的一个凸优化问题转化成两个小的凸优化问题来解决,从理论上分析得出改进的支持向量机模型的运行速度要比传统的支持向量机快将近4倍.3.从实验运行分类精度的结果来看,我们可以发现TWSVM和NPSVM在小样本数据以及样本数据较大的情况下要比传统的支持向量机的分类准确度要高1%至10%,且样本越大,差距越明显.4.从对同一标准数据集上,训练集所占的不同百分比分类精度结果所绘制的图来看,改进的支持向量机的稳定性和精度比传统的支持向量机具有明显的优势.5.支持向量机模型也是一种单层的神经网络,将深度学习的模型与支持向量机模型结合起来,可以结合两者的优点,在分类应用问题上会取得更好的分类效果.


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 吴娟;范玉妹;王丽;;关于改进的支持向量机的研究[J];攀枝花学院学报;2006年05期
2 刘硕明;刘佳;杨海滨;;一种新的多类支持向量机算法[J];计算机应用;2008年S2期
3 尹传环;牟少敏;田盛丰;黄厚宽;;单类支持向量机的研究进展[J];计算机工程与应用;2012年12期
4 王云英;阎满富;;C-支持向量机及其改进[J];唐山师范学院学报;2012年05期
5 李逢焕;;试述不确定支持向量机应用分析及改进思路[J];中国证券期货;2012年12期
6 邵惠鹤;支持向量机理论及其应用[J];自动化博览;2003年S1期
7 曾嵘,蒋新华,刘建成;基于支持向量机的异常值检测的两种方法[J];信息技术;2004年05期
8 张凡,贺苏宁;模糊判决支持向量机在自动语种辨识中的研究[J];计算机工程与应用;2004年21期
9 魏玲,张文修;基于支持向量机集成的分类[J];计算机工程;2004年13期
10 沈翠华,邓乃扬,肖瑞彦;基于支持向量机的个人信用评估[J];计算机工程与应用;2004年23期
11 林继鹏,刘君华,凌振宝;并行支持向量机算法及其应用[J];吉林大学学报(信息科学版);2004年05期
12 宋晓峰;陈德钊;胡上序;;支持向量机泛化能力估计若干方法[J];计算机科学;2004年08期
13 蔡佳;陈洪;;ν-支持向量机的收敛性[J];湖北大学学报(自然科学版);2005年04期
14 文益民,廖洪元,周立华;一种可减少训练时间的分层并行支持向量机方法[J];南京师范大学学报(工程技术版);2005年01期
15 奉国和;李拥军;朱思铭;;边界邻近支持向量机[J];计算机应用研究;2006年04期
16 张搏;刘金福;张昆帆;;基于支持向量机的关键词拒识算法[J];现代电子技术;2006年12期
17 葛海峰;林继鹏;刘君华;丁晖;;基于支持向量机和小波分解的气体识别研究[J];仪器仪表学报;2006年06期
18 刘斌;岳会宇;李卓;刘铁男;;支持向量机在油层含油识别中的应用[J];控制工程;2006年04期
19 琚旭;王浩;姚宏亮;;支持向量机的一个边界样本修剪方法[J];合肥工业大学学报(自然科学版);2006年07期
20 吴静;周建国;晏蒲柳;陈立家;;近轴支持向量机及其在网络知识更新中的应用[J];计算机工程与应用;2006年23期
中国重要会议论文全文数据库 前10条
1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届(2011)中国管理学年会——商务智能分会场论文集[C];2011年
2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集(一)[C];2005年
3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用(CACIS)学术会议论文集(下册)[C];2008年
4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年
5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年
6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年
7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年
8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年
9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年
10 侯澍旻;李友荣;刘光临;;基于支持向量机的设备振动信号趋势预测[A];12省区市机械工程学会2006年学术年会湖北省论文集[C];2006年
中国博士学位论文全文数据库 前10条
1 张晓雷;支持向量机若干问题的研究[D];清华大学;2012年
2 王瑜;基于支持向量机和多信息融合的局部放电故障诊断研究[D];华北电力大学;2015年
3 郭虎升;支持向量机的优化建模方法研究[D];山西大学;2014年
4 姚毓凯;支持向量机关键技术及其在人体活动识别中的应用研究[D];兰州大学;2015年
5 周叶;基于新异类检测和支持向量机的水电机组诊断技术研究[D];中国水利水电科学研究院;2015年
6 张华美;穿墙雷达基于支持向量机的成像算法研究[D];南京邮电大学;2015年
7 鞠鲁峰;基于支持向量机建模的永磁球形电机的优化设计研究[D];合肥工业大学;2015年
8 王喜宾;基于优化支持向量机的个性化推荐研究[D];重庆大学;2015年
9 夏书银;基于分类噪声检测的支持向量机算法研究[D];重庆大学;2015年
10 陈桂军;基于支持向量机的异常检测关键问题研究及应用[D];太原理工大学;2016年
中国硕士学位论文全文数据库 前10条
1 佟乐;添加Universum数据双支持向量机[D];河北大学;2015年
2 胡金扣;鲁棒支持向量机研究[D];河北大学;2015年
3 邱志勇;一类支持张量机及其算法研究[D];华南理工大学;2015年
4 董慧康;基于人群搜索—支持向量机的心脏病多生理参数诊断方法研究[D];河北工业大学;2014年
5 李萌;基于支持向量机的高分遥感影像分类技术研究与应用[D];中国地质大学(北京);2015年
6 甘乐;基于支持向量机的高光谱图像降维与分类研究[D];长江大学;2015年
7 苏超;基于支持向量机的太原市土壤重金属污染评价研究[D];山西大学;2014年
8 李胜刚;基于支持向量机的短期风电功率预测[D];湖南工业大学;2015年
9 孙亭亭;基于支持向量机的燃煤机组燃烧优化算法的研究[D];山东大学;2015年
10 王芳;基于支持向量机的沪深300指数回归预测[D];山东大学;2015年
 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