發(fā)布時(shí)間：2024-11-03 04:39

　　支持向量機(jī)(Support Vector Machine,SVM)作為數(shù)據(jù)挖掘中的新方法,是借助于優(yōu)化方法解決機(jī)器學(xué)習(xí)問題的新工具。它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,克服了傳統(tǒng)方法的大樣本要求,并有效地克服了維數(shù)災(zāi)難及局部最小問題,SVM在模式識(shí)別、回歸估計(jì)等領(lǐng)域都已取得了很好的應(yīng)用。核函數(shù)作為支持向量機(jī)的核心,通過將低維輸入向量映射到高維特征空間,有效地解決了非線性問題。核函數(shù)在支持向量機(jī)中占用極其重要的地位,是支持向量機(jī)理論成熟發(fā)展的關(guān)鍵。 在利用支持向量機(jī)進(jìn)行分類和回歸時(shí),如何選擇合適核函數(shù),以及根據(jù)具體數(shù)據(jù)構(gòu)造合適的核函數(shù),選擇最優(yōu)的核參數(shù),是獲得較好分類和逼近效果的基礎(chǔ)和前提�？紤]到核函數(shù)在支持向量機(jī)中的重要性,本文系統(tǒng)綜述了國(guó)內(nèi)外核函數(shù)選擇、構(gòu)造以及核參數(shù)選擇方法,在分析各種典型方法的特點(diǎn)、總結(jié)該領(lǐng)域研究現(xiàn)狀的基礎(chǔ)上,構(gòu)建結(jié)合全局核特性以及局部核特性的線性組合核函數(shù),選擇具有代表性的多項(xiàng)式核函數(shù)和RBF核函數(shù)進(jìn)行線性組合建模,通過構(gòu)建組合函數(shù)的核矩陣代碼嵌入現(xiàn)有軟件中進(jìn)行直接學(xué)習(xí),避免編程中不同程序語(yǔ)言的反復(fù)編譯,簡(jiǎn)化支持向量機(jī)內(nèi)部運(yùn)算程序,減少運(yùn)算時(shí)間。在核參數(shù)的選擇上,本文...

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

因此，高斯核函數(shù)的插值能力較強(qiáng)，即比較善于提取樣本的局部性質(zhì)，見圖（3-1）。圖3-1高斯核函數(shù)特性曲線圖此圖為2σ分別為0.1，0.2，0.3，0.4時(shí)的高斯核函數(shù)特性曲線圖，0.2為測(cè)試點(diǎn)，由圖可以看出在測(cè)試數(shù)據(jù)附近，核函數(shù)值比較大，隨著輸入數(shù)據(jù)與測(cè)試數(shù)據(jù)的距離增加，核函....

27函數(shù)。圖3-2多項(xiàng)式核函數(shù)特性曲線圖3.2.2組合核函數(shù)構(gòu)造3.2.2.1組合核函數(shù)模型構(gòu)造通過下面的定理：定理3.2當(dāng)()rankK=n時(shí)，其中(())llijKkxx×=,是Gram矩陣，則訓(xùn)練樣本在特征空間中線性可分。對(duì)于高斯核函數(shù)，當(dāng)σ→....

45圖4-7高斯核函數(shù)參數(shù)選擇結(jié)果圖核函數(shù)支持向量機(jī)預(yù)測(cè)：2005M05-2010M03共58個(gè)數(shù)據(jù)；：2010M04-2011M1共10個(gè)數(shù)據(jù)；式核函數(shù)的crossgrid選優(yōu)參數(shù)為：c=2，q=3，=62.5%合核參數(shù)支持向量機(jī)預(yù)測(cè)結(jié)果單獨(dú)選優(yōu)組合：2....

本文編號(hào)：4010695