發(fā)布時間：2018-06-08 06:21

  本文選題：支持向量機 + 模糊隸屬度�。� 參考：《山東科技大學》2017年碩士論文

【摘要】：支持向量機自20世紀90年代由Vapnik提出以來,就以其卓越的學習能力成為了機器學習的研究熱點。傳統(tǒng)的支持向量機是研究兩類分類的,而實際應(yīng)用中多類分類更加常見,同時實際應(yīng)用中會遇到大量模糊信息,如何將其更好的應(yīng)用于多類分類領(lǐng)域以及克服模糊信息的干擾是支持向量機研究的重點。本文針對現(xiàn)有的模糊二叉樹支持向量機在樹形結(jié)構(gòu)的構(gòu)造和隸屬度函數(shù)的構(gòu)造方法上存在的不足進行了改進,其主要工作如下:1.針對模糊二叉樹支持向量機現(xiàn)有的樹形結(jié)構(gòu)構(gòu)造方法的缺點,提出了基于k-means聚類算法的構(gòu)造方法,這是一種自下而上的樹形結(jié)構(gòu)的構(gòu)造方法,通過對樣本不斷的聚類,使得每次不同類的結(jié)合更加合理,且對構(gòu)造的樹形結(jié)構(gòu)不強求為完全正態(tài)的,更加符合實際情況,同時通過數(shù)值實驗驗證了這種方法的有效性。2.研究了模糊二叉樹支持向量機的隸屬度函數(shù),提出了基于相關(guān)系數(shù)的隸屬度函數(shù)構(gòu)造方法,根據(jù)樣本點的相關(guān)程度賦予不同的值,以此來實現(xiàn)樣本的模糊化處理,從而避免了樣本密度不均造成的影響,并通過數(shù)值實驗驗證了其可行性。3.提出了一種改進的模糊二叉樹支持向量機,并將其與1-v-rSVMs和1-v-1SVMs作分類性能的比較實驗,結(jié)果表明改進的模糊二叉樹支持向量機總體性能高于1-v-rSVMs和1-v-1SVMs的性能。最后,對論文進行了總結(jié),并對今后的工作做出了展望。
[Abstract]:Support vector machine (SVM) has been a hot topic in machine learning since it was proposed by Vapnik in 1990s because of its excellent learning ability. The traditional support vector machine studies two kinds of classification, but the multi-class classification is more common in the practical application, at the same time, it will encounter a lot of fuzzy information in the practical application. How to better apply it to the field of multi-class classification and overcome the interference of fuzzy information is the focus of support vector machine (SVM) research. In this paper, the shortcomings of the existing fuzzy binary tree support vector machine in the construction of tree structure and membership function are improved. The main work of this paper is as follows: 1. Aiming at the shortcoming of the existing tree structure construction method of fuzzy binary tree support vector machine, this paper proposes a construction method based on k-means clustering algorithm, which is a bottom-up tree structure construction method. The combination of different classes is more reasonable, and the tree structure is not required to be completely normal, which is more in line with the actual situation. At the same time, the validity of this method is verified by numerical experiments. In this paper, the membership function of fuzzy binary tree support vector machine is studied, and the method of constructing membership function based on correlation coefficient is put forward. According to the correlation degree of sample points, different values are assigned to realize the fuzzy processing of samples. In order to avoid the influence caused by the uneven density of the sample, the feasibility of the method is verified by numerical experiments. An improved fuzzy binary tree support vector machine is proposed and compared with 1-v-rSVMs and 1-v-1 SVMs. The results show that the overall performance of the improved fuzzy binary tree support vector machine is better than that of 1-v-rSVMs and 1-v-1 SVMs. Finally, the paper is summarized and the future work is prospected.
【學位授予單位】：山東科技大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP18

【參考文獻】

相關(guān)期刊論文 前8條

1 陶新民;張冬雪;郝思媛;付丹丹;;基于譜聚類欠取樣的不均衡數(shù)據(jù)SVM分類算法[J];控制與決策;2012年12期

2 汪廷華;陳峻婷;;核函數(shù)的選擇研究綜述[J];計算機工程與設(shè)計;2012年03期

3 張秋余;竭洋;李凱;;模糊支持向量機中隸屬度確定的新方法[J];蘭州理工大學學報;2009年04期

4 張翔;肖小玲;徐光yP;;模糊支持向量機中隸屬度的確定與分析[J];中國圖象圖形學報;2006年08期

5 周水生,周利華;訓練支持向量機的低維Newton算法[J];系統(tǒng)工程與電子技術(shù);2004年09期

6 張文生,王玨,戴國忠;支持向量機中引入后驗概率的理論和方法研究[J];計算機研究與發(fā)展;2002年04期

7 譚東寧,譚東漢;小樣本機器學習理論:統(tǒng)計學習理論[J];南京理工大學學報;2001年01期

8 張鈴;支持向量機理論與基于規(guī)劃的神經(jīng)網(wǎng)絡(luò)學習算法[J];計算機學報;2001年02期

相關(guān)博士學位論文 前1條

1 楊志民;模糊支持向量機及其應(yīng)用研究[D];中國農(nóng)業(yè)大學;2005年

相關(guān)碩士學位論文 前8條

1 張同心;基于量子粒子群的支持向量機算法的研究與應(yīng)用[D];浙江大學;2013年

2 黃曙光;基于模糊支持向量機的圖像分類與語義索引[D];大連理工大學;2008年

3 孫剛;基于支持向量機的多分類方法研究[D];大連海事大學;2008年

4 耿代;最小生成樹平滑支持向量機聚類算法研究及其應(yīng)用[D];廈門大學;2007年

5 孟媛媛;模糊支持向量機的研究與應(yīng)用[D];山東師范大學;2006年

6 許磊;支持向量機和模糊理論在遙感圖像分類中的應(yīng)用[D];江南大學;2006年

7 楊雪;支持向量機多類分類方法的研究[D];哈爾濱工程大學;2006年

8 劉華煜;基于支持向量機的機器學習研究[D];大慶石油學院;2005年

，

本文編號：1994910