| 【中文题名】 | 基于线性规划算法的支持向量机及其应用 |
| 【英文题名】 | |
| 【学科专业】 | 通信与信息系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-1-16 |
| 【中关键词】 | 机器学习,支持向量机,经验风险最小化,结构风险最小化,核函数,线形规划 |
| 【英关键词】 | machine learning,support vector machine,empirical risk minimization,structural risk minimization,kernel function,linear programming, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 | 统计学习理论(SLT)是由Vapnik等人提出的一种小样本统计理论，着重研究在小样本情况下的统计规律及学习方法性质，为机器学习问题建立了一个较好的理论框架。而支持向量机(support vector machine，SVM)正是STL的一种成功实现，它建立在统计学习理论的VC维理论和结构风险最小化原理基础上，根据有限样本信息在模型复杂性(即对特定样本的学习精度)和学习能力(即无错误的识别样本的能力)之间寻求一种折中，以期达到最佳的推广性能，与基于经验风险最小化原则的神经网络的传统学习方法相比，具有更好的泛化性能，它在解决小样本、非线性及高维问题中表现出许多特有的优势。
支持向量机最初被用来处理分类问题，近来，在回归问题领域也得到不断发展，因此研究和完善支持向量机理论及其实现算法具有重要意义。此外，研究支持向量机的非线性系统建模，对于丰富和完善支持向量机的理论和算法、进一步推进其在各领域的应用具有积极的推动作用。
论文的具体内容如下：
(1)从机器学习和统计学习角度对支持向量机进行深入的分析与探讨，从理论角度对支持向量机给予了抽象与总结。
(2)针... |
| 【论文题纲】 |
|
论文独创性声明 |
2 |
|
论文使用授权声明 |
2-3 |
|
摘要 |
3-4 |
|
ABSTRACT |
4-8 |
|
第一章 引论 |
8-14 |
|
1.1 研究背景 |
8-9 |
|
1.2 研究历史 |
9-10 |
|
1.3 支持向量机研究现状 |
10-12 |
|
1.3.1 各种支持向量机方法 |
10-11 |
|
1.3.2 解决大型问题的算法 |
11-12 |
|
1.4 支持向量机的应用研究 |
12 |
|
1.5 本文主要目的、工作及内容 |
12-14 |
|
第二章 支持向量机理论 |
14-32 |
|
2.1 引言 |
14 |
|
2.2 机器学习的基本问题 |
14-16 |
|
2.2.1 问题的表示 |
14-15 |
|
2.2.2 经验风险最小化归纳原则 |
15 |
|
2.2.3 学习机器的繁杂性和推广能力 |
15-16 |
|
2.3 统计学习理论 |
16-20 |
|
2.3.1 VC维 |
16-17 |
|
2.3.2 推广性的界 |
17-18 |
|
2.3.3 结果风险最小化原则 |
18-20 |
|
2.4 支持向量机 |
20-30 |
|
2.4.1 最优超平面的构建 |
20-24 |
|
2.4.2 非线性问题的处理 |
24-27 |
|
2.4.3 支持向量机回归 |
27-30 |
|
2.5 本章小结 |
30-32 |
|
第三章 基于线性规划算法的分类支持向量机 |
32-42 |
|
3.1 基本概念 |
32-33 |
|
3.2 线性分类支持向量机 |
33-35 |
|
3.3 非线性分类支持向量机 |
35-38 |
|
3.4 模拟实验及结果分析 |
38-41 |
|
3.5 本章小结 |
41-42 |
|
第四章 基于线性规划算法的回归支持向量机 |
42-50 |
|
4.1 线性回归支持向量机 |
42-44 |
|
4.2 非线性回归支持向量机 |
44-45 |
|
4.3 线性规划支持向量机的求解 |
45-47 |
|
4.4 模拟试验及结果分析 |
47-49 |
|
4.5 本章小结 |
49-50 |
|
第五章 基于线性规划回归模型的短期电力负荷预测 |
50-58 |
|
5.1 模型体系结构 |
50-51 |
|
5.2 模型参数选取及优化 |
51-53 |
|
5.2.1 学习参数C的选取方法 |
51-52 |
|
5.2.2 参数ε的选取方法 |
52-53 |
|
5.2.3 高斯核函数参数σ的优化 |
53 |
|
5.3 训练集选取及数据预处理 |
53-55 |
|
5.4 模型测试与比较分析 |
55-56 |
|
5.5 本章小结 |
56-58 |
|
第六章 全文总结与展望 |
58-59 |
|
致谢 |
59-60 |
|
参考文献 |
60-64 |
|
| 【DOI】 | LunWen.ID:2.2008.388307 |
