本文關鍵詞：多分類支持向量機增量算法及在認知無線電系統(tǒng)中的應用

  更多相關文章： 多分類 一對一對余 最小二乘雙支持向量機 增量學習 調(diào)制識別

【摘要】：支持向量機(Support Vector Machine)是非常有效的機器學習方法之一,它在處理非線性的有限樣本時表現(xiàn)優(yōu)異。支持向量機的核心思想是在兩種類別的分類數(shù)據(jù)中尋找一個最優(yōu)的分類超平面,使得這兩類數(shù)據(jù)盡可能的遠離超平面,從而獲得良好的分類效果。尋找該分類超平面涉及求解凸優(yōu)化的問題,計算復雜度較高。針對日常生活中的多分類問題,使用傳統(tǒng)支持向量機二分類方法暴露出很多弊端,例如分類不平衡、分類準確率低、算法復雜度高等,多分類方法由此產(chǎn)生。結(jié)合多分類方法的支持向量機算法具有更廣泛的應用前景。實際環(huán)境中,樣本數(shù)據(jù)會隨著時間的變化不斷的累積,因此傳統(tǒng)的支持向量機算法已經(jīng)不能處理實時變化的數(shù)據(jù),增量算法因此提出。本文基于對多分類雙支持向量機的延伸算法—多分類最小二乘雙支持向量機(Least Square Twin KSVC)算法提出其增量算法,給出了完整的理論推導和實驗驗證,從數(shù)學角度對該增量算法做了線性和非線性兩方面的推導,并選擇UCI數(shù)據(jù)庫的幾組擁有不同類別數(shù)的數(shù)據(jù)同經(jīng)典的支持向量機增量算法做了對比實驗。實驗結(jié)果顯示,相較于經(jīng)典支持向量機增量算法,該算法具有以下優(yōu)勢:(1)訓練速度快;(2)分類識別率高;(3)適用于多類數(shù)據(jù)分類;(4)適用于高維空間。最后將提出的增量算法應用在認知無線電系統(tǒng)的信號調(diào)制方式識別問題中,獲得了比較好的識別率。
【關鍵詞】：多分類 一對一對余 最小二乘雙支持向量機 增量學習 調(diào)制識別
【學位授予單位】：蘭州大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TN925;TP18
【目錄】：

• 中文摘要3-4
• Abstract4-8
• 第一章 引言8-13
• 1.1 選題背景及研究意義8-10
• 1.2 國內(nèi)外研究現(xiàn)狀及分析10-11
• 1.3 本文的研究內(nèi)容11-13
• 第二章 機器學習和支持向量機理論13-22
• 2.1 機器學習的基本問題13-14
• 2.1.1 機器學習13-14
• 2.1.2 經(jīng)驗風險最小化14
• 2.2 支持向量機14-18
• 2.2.1 統(tǒng)計學習理論14-15
• 2.2.2 支持向量機15-17
• 2.2.3 雙支持向量機17-18
• 2.3 多分類算法18-19
• 2.3.1“一對余”方法18
• 2.3.2“一對一”方法18-19
• 2.4 經(jīng)典增量算法19-20
• 2.4.1 經(jīng)典增量算法（Batch SVM）19-20
• 2.4.2 基于KKT條件的增量算法20
• 2.5 本章小結(jié)20-22
• 第三章 多分類最小二乘雙支持向量機22-26
• 3.1 發(fā)展歷史22
• 3.2 多分類最小二乘雙支持向量機22-25
• 3.2.0“一對一對余”方法22-23
• 3.2.1 線性多分類最小二乘雙支持向量機算法23-24
• 3.2.2 非線性多分類最小二乘雙支持向量機算法24-25
• 3.3 本章小結(jié)25-26
• 第四章 多分類最小二乘雙支持向量機增量學習算法26-38
• 4.1 線性多分類最小二乘雙支持向量機增量算法26-27
• 4.2 非線性多分類最小二乘雙支持向量機增量算法27-29
• 4.3 減量過程29-30
• 4.4 多分類最小二乘雙支持向量機增量算法偽代碼30-32
• 4.4.1 線性算法偽代碼30-31
• 4.4.2 非線性算法偽代碼31-32
• 4.5 實驗數(shù)據(jù)及性能分析32-36
• 4.5.1 離線算法性能分析32-34
• 4.5.2 多分類最小二乘雙支持向量增量算法性能分析34-36
• 4.6 本章小結(jié)36-38
• 第五章 ILST-KSVC在認知無線電信號調(diào)制方式識別上的應用38-47
• 5.1 循環(huán)譜理論38-41
• 5.1.1 循環(huán)譜的定義38-39
• 5.1.2 幾種典型調(diào)制信號的循環(huán)譜39-41
• 5.2 LST-KSVC在無線電信號調(diào)制方式識別上的應用41-42
• 5.2.1 提取特征值42
• 5.3 ILST-KSVC在無線電信號調(diào)制方式識別上的應用42
• 5.4 仿真實驗及性能分析42-45
• 5.4.1 特征值提取43
• 5.4.2 算法性能測試43-45
• 5.5 本章小結(jié)45-47
• 第六章 總結(jié)與展望47-48
• 參考文獻48-50
• 在學期間的研究成果50-51
• 致謝51

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前5條

1 高發(fā)榮;王佳佳;席旭剛;佘青山;羅志增;;基于粒子群優(yōu)化-支持向量機方法的下肢肌電信號步態(tài)識別[J];電子與信息學報;2015年05期

2 張瑞杰;李弼程;魏福山;;基于多尺度上下文語義信息的圖像場景分類算法[J];電子學報;2014年04期

3 湛寧;;多特征和SVM相融合的三維物體識別方法[J];計算機仿真;2013年03期

4 宋相中;陳昌洲;閔順耕;何雄奎;李錚;米津銳;張錄達;;近紅外光譜法最小二乘雙胞胎支持向量機的應用研究[J];分析化學;2012年06期

5 葉美盈,汪曉東,張浩然;基于在線最小二乘支持向量機回歸的混沌時間序列預測[J];物理學報;2005年06期

中國博士學位論文全文數(shù)據(jù)庫 前4條

1 申彥;大規(guī)模數(shù)據(jù)集高效數(shù)據(jù)挖掘算法研究[D];江蘇大學;2013年

2 李自強;大規(guī)模文本分類的若干問題研究[D];電子科技大學;2013年

3 賀新穎;基于支持向量機的認知無線電若干關鍵技術(shù)研究[D];北京郵電大學;2009年

4 段華;支持向量機的增量學習算法研究[D];上海交通大學;2008年

中國碩士學位論文全文數(shù)據(jù)庫 前4條

1 劉凱;雙支持向量機的改進及其應用[D];蘭州大學;2013年

2 徐新功;支持向量機增量學習算法研究[D];西安電子科技大學;2012年

3 吳慧;新的支持向量機增量學習算法[D];西安電子科技大學;2009年

4 黃瓊英;支持向量機多類分類算法的研究及應用[D];河北工業(yè)大學;2005年

，

本文編號：751043