本文關鍵詞：局部支持向量機的研究及其在分類中的應用

  更多相關文章： 局部支持向量機 k最近鄰 聚類 鄰域核函數(shù) 分類

【摘要】：支持向量機(SVM)是基于統(tǒng)計學習理論提出的一種有監(jiān)督的機器學習算法。其使用結構風險最小化原則,在解決小樣本問題中具有諸多優(yōu)勢。支持向量機借助于核函數(shù)能夠有效解決非線性可分和維數(shù)災難問題。但支持向量機的全局化思想并不蘊含一致性且不能夠有效處理非凸數(shù)據(jù)集。通過引入局部學習算法提出的局部支持向量機能夠充分利用樣本的局部信息,并且滿足算法的一致性要求。本文主要對局部支持向量機(SVM-KNN)進行研究,針對局部支持向量機在分類中存在的問題提出了幾種改進思路。論文的主要研究工作如下:(1)提出了一種基于聚類的快速局部支持向量機算法,該算法相比于局部支持向量機算法具有較高的分類精度和效率。針對局部支持向量機分類效率較低的問題,改進局部支持向量機選取待分類樣本k個近鄰樣本的效率,提出了快速局部支持向量機算法(FKNN-SVM)。為驗證FKN N-SVM算法對分類效率的影響,本文使用FKNN-SVM、SVM-KNN和SVM三種算法在玉米圖像上進行對比實驗。實驗結果表明FKNN-SVM算法在分類效率上優(yōu)于SV M-KNN算法。為進一步提高FKNN-SVM算法的分類效率和精度,將聚類算法與FKNN-SVM算法進行結合,提出了基于聚類的快速局部支持向量機算法(CFKNN-SVM)。使用UCI數(shù)據(jù)集和樹皮圖像數(shù)據(jù)集進行驗證,結果表明CFKNN-SVM算法的分類精度和效率優(yōu)于FKNN-SVM和SVM-KNN算法。(2)提出了一種適用于不平衡數(shù)據(jù)的局部支持向量機算法,該算法能夠提高正類樣本的分類精度。不平衡數(shù)據(jù)存在于入侵檢測、醫(yī)療檢測等領域。在不平衡數(shù)據(jù)集的分類問題中,數(shù)據(jù)量少的正類往往具有更重要的價值。本文通過在局部支持向量機的基礎上引入聚類算法,提出了適用于不平衡數(shù)據(jù)的局部支持向量機算法(CLSVM)。該算法在盡量保持原始樣本信息的前提下,借助于聚類算法解決待分類樣本k個近鄰樣本的同態(tài)不平衡問題,從而提高正類樣本的分類準確率。使用UCI數(shù)據(jù)集進行仿真實驗,結果表明,CLSVM算法能夠提高正類樣本的分類準確率。(3)提出了一種基于鄰域核函數(shù)的局部支持向量機,該算法能夠直接利用非結構化圖像數(shù)據(jù)構建分類模型。圖像分類一直是機器學習研究的熱點,而局部支持向量機無法直接利用圖像等非結構化信息進行分類。本文將鄰域核函數(shù)引入到局部支持向量機中,提出了基于鄰域核函數(shù)的局部支持向量機(Neighborhood-LSVM)。Neighborhood-LSVM算法能夠直接利用圖像像素點的鄰域變化信息構建分類模型。本文在樹皮圖像數(shù)據(jù)集上進行分類實驗驗證,實驗結果表明Neighborhood-LSVM算法在圖像分類上的準確率高于SVMKNN和SVM。
【學位授予單位】：山東農(nóng)業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP181

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 吳娟;范玉妹;王麗;;關于改進的支持向量機的研究[J];攀枝花學院學報;2006年05期

2 劉碩明;劉佳;楊海濱;;一種新的多類支持向量機算法[J];計算機應用;2008年S2期

3 尹傳環(huán);牟少敏;田盛豐;黃厚寬;;單類支持向量機的研究進展[J];計算機工程與應用;2012年12期

4 王云英;閻滿富;;C-支持向量機及其改進[J];唐山師范學院學報;2012年05期

5 李逢煥;;試述不確定支持向量機應用分析及改進思路[J];中國證券期貨;2012年12期

6 邵惠鶴;支持向量機理論及其應用[J];自動化博覽;2003年S1期

7 曾嶸,蔣新華,劉建成;基于支持向量機的異常值檢測的兩種方法[J];信息技術;2004年05期

8 張凡,賀蘇寧;模糊判決支持向量機在自動語種辨識中的研究[J];計算機工程與應用;2004年21期

9 魏玲,張文修;基于支持向量機集成的分類[J];計算機工程;2004年13期

10 沈翠華,鄧乃揚,肖瑞彥;基于支持向量機的個人信用評估[J];計算機工程與應用;2004年23期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風險評估模型[A];第六屆（2011）中國管理學年會——商務智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學會2005年信息技術與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機學習方法[A];全國第19屆計算機技術與應用（CACIS）學術會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機的系統(tǒng)辨識方法研究及應用[A];中國力學大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機方法預測膜蛋白類型[A];第十一次中國生物物理學術大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學與技術應用學術會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機算法[A];2006中國控制與決策學術年會論文集[C];2006年

10 侯澍e，

本文編號：1230999