| 【中文题名】 | 模糊支持向量机算法研究 |
| 【英文题名】 | Research on Algorithms of Fuzzy Support Vector Machine |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-31 |
| 【中关键词】 | 机器学习,统计学习理论,模糊支持向量机,,, |
| 【英关键词】 | machine learning,statistical learning theory,fuzzy support vector machine, |
| 【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(Support Vector Machines)是20世纪90年代由Vapnik等人提出的一类新型机器学习方法，它能够非常成功地处理分类和回归问题。由于支持向量机出色的学习性能，该技术已经成为机器学习界的研究热点，并在很多领域得到了成功的应用。但是，作为一种尚未成熟的新技术，支持向量机目前存在着许多局限。客观世界存在大量的模糊信息，如果支持向量机的训练集中含有噪声和模糊信息，那么支持向量机的性能将变得非常微弱甚至无能为力。
本文针对存在模糊信息的样本时已有支持向量机的不足之处，提出了改进的模糊支持向量机(Fuzzy Support Vector Machine)。首先，对支持向量机的构造原理和基础理论进行分析和研究。其次，提出了相应的模糊支持向量机算法并对其进行改进。在改进的模糊支持向量机模型中，对模糊支持向量机的内部构造过程以及外部构造用数学描述方法进行了详细论述，并且以该支持向量机作为分类器，对提取出的特征进行分类和识别。最后，对该模型和已有的其他支持向量机的实验数据进行了比较分析。
实验结果表明，本文提出的模糊支持向量机算法能够较好地解决含有模糊信息的样本的分类问题... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
Abstract |
5-10 |
|
第1章 绪论 |
10-15 |
|
1.1 研究目的和意义 |
10 |
|
1.2 研究现状 |
10-13 |
|
1.2.1 改进训练算法 |
11-12 |
|
1.2.1.1 块处理算法 |
11 |
|
1.2.1.2 固定工作样本集算法 |
11 |
|
1.2.1.3 序贯最小化算法 |
11-12 |
|
1.2.2 提高测试速度 |
12 |
|
1.2.3 核函数的构造、改进以及相应参数的调整 |
12 |
|
1.2.4 利用 SVM 解决多分类的问题 |
12-13 |
|
1.3 研究内容和主要创新点 |
13 |
|
1.4 内容安排 |
13-15 |
|
第2章 相关理论和算法 |
15-26 |
|
2.1 引言 |
15 |
|
2.2 统计学习理论 |
15-18 |
|
2.2.1 VC 维 |
15-16 |
|
2.2.2 泛化能力推广性界 |
16-17 |
|
2.2.3 结构风险最小化原则 |
17-18 |
|
2.3 支持向量机 |
18-23 |
|
2.3.1 最优分类面与广义最优分类面 |
18-21 |
|
2.3.2 支持向量机 |
21-22 |
|
2.3.3 核函数 |
22-23 |
|
2.4 标准模糊支持向量机 |
23-25 |
|
2.5 本章小结 |
25-26 |
|
第3章 改进的模糊支持向量机算法 |
26-34 |
|
3.1 引言 |
26 |
|
3.2 样本选取方法 |
26-28 |
|
3.2.1 k 近邻算法 |
26-27 |
|
3.2.2 模糊 k 近邻样本预选取支持向量机分类方法 |
27-28 |
|
3.3 改进的模糊支持向量机算法 |
28-33 |
|
3.3.1 模糊特征表示方法 |
28-29 |
|
3.3.2 模糊隶属度的确定 |
29-30 |
|
3.3.3 阈值确定 |
30-32 |
|
3.3.4 算法描述 |
32-33 |
|
3.4 本章小结 |
33-34 |
|
第4章 实验结果及其分析 |
34-40 |
|
4.1 样本预选取实验 |
34-38 |
|
4.2 改进算法实验 |
38-39 |
|
4.3 本章小结 |
39-40 |
|
结论 |
40-41 |
|
参考文献 |
41-44 |
|
攻读硕士学位期间发表的论文 |
44-45 |
|
致谢 |
45 |
|
| 【DOI】 | LunWen.ID:2.2008.389179 |
