| 【中文题名】 | 支持向量机的若干问题的研究 |
| 【英文题名】 | |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-29 |
| 【中关键词】 | 支持向量机,类质心,类半径,类向心度,增量学习,相似度 |
| 【英关键词】 | Support vector machine,Class-centroid,Class-radius,Class-centroid-distance,Incremental learning,Comparability,Dependability, |
| 【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】 |
本文提出了一种改进的支持向量分类方法和一种针对支持向量机的增量学习算法。根据支持向量机中支持向量不会出现在两类样本集间隔以外的正确划分区的理论，通过引入类质心，类半径，类质心距等概念，从而较好地解决快速而准确的删除非支持向量的问题；引入了类向心度的概念，解决了当两类样本集混淆严重的时候如何更加精确地进行剔除混淆点，保证算法泛化性的问题。实验表明，采用这种改进的算法既能快速精确地对训练样本进行删减，又可以当两类训练样本集混淆较严重时又能较好地解决泛化性问题。通过引入相似度上限、相似度上限，以及可靠度下限等概念，提出了一种可以快速收敛的支持向量机增量学习算法。实验表明，采用这种改进支持向量机增量算法能使决策函数快速地向真实的决策函数逼近。 |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
Abstract |
5-6 |
|
第一章 绪论 |
6-14 |
|
1.1 选题的研究背景和意义 |
6-7 |
|
1.2 支持向量机算法目前的研究现状 |
7-12 |
|
1.2.1 提高支持向量机训练速度的研究 |
8-9 |
|
1.2.2 支持向量机多类分类方法的研究 |
9-10 |
|
1.2.3 支持向量机回归的研究 |
10 |
|
1.2.4 支持向量机的应用研究 |
10-12 |
|
1.3 本文的主要内容及创新点 |
12-14 |
|
第二章 统计学习理论以及支持向量机理论 |
14-27 |
|
2.1 引言 |
14-15 |
|
2.2 机器学习的基本方法 |
15-16 |
|
2.2.1 学习问题的一般表示 |
15 |
|
2.2.2 经验风险最小化原则 |
15-16 |
|
2.2.3 模型复杂度与推广能力 |
16 |
|
2.3 统计学习理论的基本思想 |
16-21 |
|
2.3.1 VC维 |
17-18 |
|
2.3.2 泛化误差的边界 |
18-19 |
|
2.3.3 结构风险最小化原理 |
19-21 |
|
2.4 支持向量机 |
21-25 |
|
2.4.1 线性支持向量机 |
21-24 |
|
2.4.2 非线性支持向量机 |
24-25 |
|
2.5 支持向量机与多层前向神经网络的比较 |
25-27 |
|
第三章 一种提高SVM分类速度的方法 |
27-31 |
|
3.1 类质心和类半径的定义 |
27 |
|
3.2 提高支持向量机分类速度的算法 |
27-31 |
|
3.2.1 算法描述 |
27-28 |
|
3.2.2 算法复杂度分析 |
28 |
|
3.2.3 算法实验以及讨论 |
28-31 |
|
第四章 一种提高SVM分类精度的方法 |
31-35 |
|
4.1 类向心度的定义 |
31-32 |
|
4.2 基于类向心度的分类算法 |
32-35 |
|
4.2.1 算法描述 |
32 |
|
4.2.2 算法复杂度分析 |
32 |
|
4.2.3 算法实验以及讨论 |
32-35 |
|
第五章 SVM的增量学习算法的研究 |
35-42 |
|
5.1 支持向量的分布 |
35-37 |
|
5.2 一种新的支持向量机增量学习算法 |
37-40 |
|
5.2.1 增量学习中新增样本集合的选择 |
37-38 |
|
5.2.2 一种新的支持向量机增量学习算法 |
38-40 |
|
5.3 增量支持向量机的计算复杂度分析 |
40-41 |
|
5.4 仿真实验及分析 |
41-42 |
|
第六章 总结与展望 |
42-45 |
|
6.1 全文总结 |
42-43 |
|
6.2 存在的问题和研究前景展望 |
43-45 |
|
致谢 |
45-46 |
|
参考文献 |
46-50 |
|
附录 |
50-51 |
|
| 【DOI】 | LunWen.ID:2.2008.388922 |
