| 【中文题名】 | 多值SVM分类投票法的改进 |
| 【英文题名】 | The Improvement of the Voting Method for Multi-class SVM Classification |
| 【学科专业】 | 控制理论与控制工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-7-31 |
| 【中关键词】 | 机器学习,支持向量机,多类分类,最小内凸包,投票法, |
| 【英关键词】 | machine learning,support vector machines,minimum internal convex hull,voting, |
| 【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】 |
支持向量机是一种针对分类和回归问题的新型机器学习方法。它基于结构风险最小化原理,能有效地解决过学习问题,具有良好的推广性和较好的分类精确性。正在成为继模式识别和神经元网络研究之后机器学习领域新的研究热点,并将推动机器学习理论和技术的重大发展。
目前,支持向量机在模式识别、函数逼近、数据挖掘和文本自动分类中均有很好的应用。传统支持向量机是针对两类分类问题,而在实际应用中,如数据挖掘、文本分类等等,需要处理的数据是海量和多类别的。如何解决大规模多类别的问题,是近几年来研究的重点之一。
本文对统计学习理论进行了介绍,探讨了建立在该理论基础上的支持向量机算法。阐述了支持向量机的发展历史和研究内容,全面地介绍了支持向量机目前存在的二类分类算法和多类分类算法,比较了它们的优缺点及性能。
最后,介绍了目前流行的两种投票法,并针对现有投票法的问题和缺点,提出一种最小内凸包的算法。该算法具有计算量少,算法复杂性小,速度快的特点,适用于需处理的样本数较多、对计算速度要求较高的多类分类问题。 |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
Abstract |
4-6 |
|
第一章 课题综述与本文介绍 |
6-16 |
|
1.1 机器学习的发展历史及现状 |
6-7 |
|
1.2 统计学习理论的核心内容 |
7-10 |
|
1.3 支持向量机算法的发展历史和现状 |
10 |
|
1.4 支持向量机理论的主要研究内容 |
10-11 |
|
1.5 支持向量机的多值分类 |
11-14 |
|
1.6 本文的主要工作和全文结构 |
14-16 |
|
第二章 支持向量机的二值分类 |
16-23 |
|
2.1 线性支持向量机 |
16-18 |
|
2.2 非线性支持向量机 |
18-20 |
|
2.3 各种改进的支持向量机算法 |
20-23 |
|
第三章 最小内凸包算法 |
23-34 |
|
3.1 问题描述 |
23 |
|
3.2 算法思想与分析 |
23-25 |
|
3.3 算法描述 |
25-28 |
|
3.4 程序编制 |
28-30 |
|
3.5 算例 |
30-34 |
|
第四章 最小内凸包在投票法中的应用 |
34-39 |
|
4.1 传统投票法 |
34-35 |
|
4.2 后验概率投票法 |
35-37 |
|
4.3 最小内凸包在投票算法中的应用 |
37-39 |
|
第五章 总结与展望 |
39-40 |
|
5.1 论文总结 |
39 |
|
5.2 下一步工作展望 |
39-40 |
|
参考文献 |
40-43 |
|
致谢 |
43-44 |
|
详细摘要 |
44-47 |
|
| 【DOI】 | LunWen.ID:2.2008.388670 |
