本文選題：支持向量機(jī) + 高斯核函數(shù)　； 參考：《山東科技大學(xué)》2017年碩士論文

【摘要】：支持向量機(jī)是基于統(tǒng)計學(xué)習(xí)理論框架下提出的一種新型算法,在處理分類問題上具有明顯的優(yōu)勢。目前,關(guān)于支持向量核函數(shù)及其相關(guān)參數(shù)的選取與研究越來越多,并發(fā)展的越來越成熟,但具體怎樣選取還沒有形成一種統(tǒng)一理論,在日常應(yīng)用中只能靠經(jīng)驗(yàn)或?qū)Ρ葋磉x取,本文主要研究的是支持向量機(jī)中高斯核參數(shù)σ和懲罰參數(shù)ζ的選擇與應(yīng)用。鑒于此本文工作如下:首先,介紹了研究的背景、意義、現(xiàn)狀及支持向量機(jī)中的基本原理與相關(guān)知識,為下文做鋪墊;其次,介紹了粒子群算法的基本原理,針對支持向量機(jī)參數(shù)尋優(yōu)問題,通過分析,提出一種改進(jìn)粒子群算法,并將該算法應(yīng)用于高斯核參數(shù)及懲罰參數(shù)的選取中,通過數(shù)值實(shí)驗(yàn)與基本粒子群算法、標(biāo)準(zhǔn)粒子群算法進(jìn)行比較,驗(yàn)證了本文所提出的算法尋找到的參數(shù)在分類時間上、準(zhǔn)確率上具有較好的優(yōu)越性;最后,把支持向量機(jī)應(yīng)用到人臉識別分類中。將文中提出的新算法用于高斯核參數(shù)及懲罰參數(shù)的參數(shù)尋優(yōu),構(gòu)造支持向量機(jī)高斯核函數(shù)分類器,并將該分類器應(yīng)用到人臉識別中,與基本粒子群算法、標(biāo)準(zhǔn)粒子群算法構(gòu)造的分類器在錯分樣本、識別率上等通過實(shí)驗(yàn)比較,表明了該算法在分類效果上具有優(yōu)越性。
[Abstract]:Support vector machine (SVM) is a new algorithm based on statistical learning theory, which has obvious advantages in dealing with classification problems. At present, there are more and more researches on the selection and research of support vector kernel function and its related parameters, and the development is more and more mature. However, how to select the support vector kernel function has not yet formed a unified theory, which can only be selected by experience or contrast in daily application. This paper mainly studies the selection and application of Gao Si kernel parameter 蟽 and penalty parameter 味 in support vector machine. In view of this, the work of this paper is as follows: firstly, the background, significance, current situation, basic principles and related knowledge of support vector machine are introduced, which pave the way for the following; secondly, the basic principle of particle swarm optimization (PSO) is introduced. In order to solve the problem of parameter optimization of support vector machines, an improved particle swarm optimization algorithm is proposed, which is applied to the selection of Gao Si kernel parameters and penalty parameters. Compared with the standard particle swarm optimization algorithm, it is verified that the proposed algorithm has better accuracy in classification time. Finally, support vector machine is applied to face recognition classification. The new algorithm proposed in this paper is used to optimize the parameters of Gao Si kernel and penalty parameters, and the support vector machine (SVM) Gao Si kernel function classifier is constructed, which is applied to face recognition, and to the basic particle swarm optimization (PSO) algorithm. The classifier constructed by standard particle swarm optimization (Swarm Optimization) algorithm is superior in classifying samples and recognition rate through experiments, which shows that the algorithm is superior in classification effect.
【學(xué)位授予單位】：山東科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王煒;郭小明;王淑艷;劉麗琴;;關(guān)于核函數(shù)選取的方法[J];遼寧師范大學(xué)學(xué)報(自然科學(xué)版);2008年01期

2 王娜;李霞;;基于類加權(quán)的雙ν支持向量機(jī)[J];電子與信息學(xué)報;2007年04期

3 張猛;付麗華;張維;;一種新的最小二乘支持向量機(jī)算法[J];計算機(jī)工程與應(yīng)用;2007年11期

4 王凱;;基于多項式光滑的支持向量回歸機(jī)[J];微計算機(jī)信息;2007年09期

5 謝宏;劉鶴立;魏江平;;基于線性規(guī)劃的分類支持向量機(jī)[J];計算機(jī)輔助工程;2007年01期

6 陳愛軍;宋執(zhí)環(huán);李平;;基于矢量基學(xué)習(xí)的最小二乘支持向量機(jī)建模[J];控制理論與應(yīng)用;2007年01期

7 徐健;陳光喜;;一種處理較大規(guī)模數(shù)據(jù)分類的支持向量機(jī)[J];計算機(jī)工程與應(yīng)用;2007年06期

8 胡正平;吳燕;張曄;;基于幾何分析的支持向量機(jī)快速訓(xùn)練與分類算法[J];中國圖象圖形學(xué)報;2007年01期

9 姚伏天,金連甫,戴光;基于核獨(dú)立成分分析的盲源信號分離[J];計算機(jī)工程與應(yīng)用;2004年06期

10 田盛豐;基于核函數(shù)的學(xué)習(xí)算法[J];北方交通大學(xué)學(xué)報;2003年02期

相關(guān)碩士學(xué)位論文 前3條

1 李紅英;支持向量分類機(jī)的核函數(shù)研究[D];重慶大學(xué);2009年

2 黃嘯;支持向量機(jī)核函數(shù)的研究[D];蘇州大學(xué);2008年

3 郭小明;支持向量機(jī)中核函數(shù)的選取方法的研究[D];遼寧師范大學(xué);2008年

，

本文編號：2006270