發(fā)布時間：2023-04-01 13:46

　　支持向量機(Support Vector Machine,SVM)是Vapnik等人提出的一種以統(tǒng)計學(xué)習(xí)理論為基礎(chǔ)、以解決有限樣本為目標的機器學(xué)習(xí)新方法,因其泛化能力強等特點而廣泛使用.通過轉(zhuǎn)化SVM的目標函數(shù)、優(yōu)化等式約束,可將其簡化為最小二乘支持向量機(Least Squares SVM,LSSVM).這一改進有效的降低了計算復(fù)雜度,但是LSSVM使得幾乎所有的樣本點都作為支持向量參與計算,解向量稀疏性的喪失將影響分類速度.因此,LSSVM模型的稀疏性問題逐漸被大家關(guān)注并研究.目前已出現(xiàn)一些稀疏化方法,包括L₀和L₁稀疏化方法,但如何高效的實現(xiàn)解向量的稀疏性仍是需要進一步研究的問題;同時,模型中罰參數(shù)的選擇問題也是很有價值的一個研究方向.本文考慮了分類問題的對偶稀疏支持向量機模型,理論上首次給出了該分類模型中L₁-罰參數(shù)選擇的上界.此外,對大規(guī)模數(shù)據(jù)集給出了一種新的樣本篩選方法,該方法適用于類中心連線與分類超平面較為垂直的情況.最后,利用UCI數(shù)據(jù)庫中的5個數(shù)據(jù)集及雙曲螺旋樣本完成了初步的數(shù)值實驗,并將其應(yīng)用到了博文...

【文章頁數(shù)】：47 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 文本分類研究現(xiàn)狀
        1.2.2 SVM與LSSVM研究現(xiàn)狀
    1.3 論文主要研究內(nèi)容及結(jié)構(gòu)安排
2 最小二乘支持向量機及三種稀疏模型
    2.1 最小二乘支持向量機
    2.2 簡化稀疏最小二乘支持向量機
    2.3 L₀-稀疏對偶支持向量機
    2.4 L₁-稀疏對偶支持向量機
3 基于Lasso的對偶稀疏支持向量機模型
    3.1 基于Lasso的對偶稀疏支持向量機及L₁罰參數(shù)的上界
    3.2 大規(guī)模數(shù)據(jù)集的樣本篩選
4 模型應(yīng)用與數(shù)值實驗
    4.1 UCI數(shù)據(jù)集的分類效果
        4.1.1 數(shù)據(jù)處理及參數(shù)選擇
        4.1.2 L₁罰參數(shù)上界的數(shù)值驗證
        4.1.3 分類實驗結(jié)果
    4.2 雙曲螺旋樣本的分類效果
        4.2.1 數(shù)據(jù)處理及參數(shù)選擇
        4.2.2 分類實驗結(jié)果
    4.3 預(yù)處理后的大規(guī)模數(shù)據(jù)集Waveform上的分類效果
        4.3.1 數(shù)據(jù)處理及參數(shù)選擇
        4.3.2 分類實驗結(jié)果
    4.4 博文內(nèi)容判別
        4.4.1 數(shù)據(jù)處理及參數(shù)選擇
        4.4.2 博文內(nèi)容判別實驗結(jié)果
結(jié)論與展望
參考文獻
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號：3777250