發(fā)布時間：2020-10-14 13:53

　　 隨著大數據時代的來臨,人們面臨著怎樣從大量的數據中得到他們想要的有價值的知識的問題。在這一需求之下數據挖掘隨之誕生,并迅速成為了一個熱門的研究課題。數據分類作為數據挖掘中重要的一節(jié),通過采用高效的分類算法分析數據找出其中存在的聯系,從而盡可能準確的預測待測樣本的類別。其中支持向量機SVM算法因其在實際應用中能夠有效解決數據分類過程中遇到的非線性、高維度、過學習等問題而具有較明顯的優(yōu)勢,成為目前比較流行的數據分類算法。但是傳統SVM算法在學習階段計算量與樣本數量成正比,因此在處理海量數據時,計算量巨大,在學習階段耗費過多的時間;學習樣本中存在的噪聲數據影響分類超平面的正確劃分,從而降低該算法的分類精度。而且在測試階段,分類超平面附近易發(fā)生錯分。本文針對SVM分類方法中存在的不足給出了改進的方案。首先對原始學習數據集根據密度做裁剪預處理,把處理后的數據集作為新的學習數據集,在新的學習數據集上進行SVM參數尋優(yōu)操作,通過學習獲得最佳分類決策函數。然后在測試階段,將待測樣本帶入決策函數中,若函數值大于設定的閾值,則以SVM預測的類別作為待測樣本的類別,反之使用AdaBoost.M1-KNN算法重新預測。由于在預處理階段有效地裁剪掉大量的多余的學習樣本,包括大部分的噪聲樣本也被裁剪掉,因此有效地降低了學習階段的計算量,使分類超平面的劃分更準確,從而提高了SVM的分類準確率。對于出現在SVM分類超平面附近的待測樣本不能被正確分類的情況,引入AdaBoost.M1-KNN分類算法,使得分類準確率進一步提高。將該算法應用到10組UCI數據集上,實驗結果表明:本文提出的基于密度裁剪的SVM與AdaBoost.M1-KNN結合的分類算法同傳統SVM分類算法相比有效地提高了分類準確率,且降低了SVM的學習時間,因此該方案是可行有效的。
【學位單位】：青島大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP181
【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內外研究現狀
    1.3 本文工作和內容結構
    1.4 本章小結
第二章 相關技術綜述
    2.1 SVM算法
        2.1.1 SVM方法的基本思想
        2.1.2 SVM的形式化描述
        2.1.3 SVM的多類別預測識別
        2.1.4 SVM參數
    2.2 KNN算法
        2.2.1 KNN算法簡介
        2.2.2 KNN算法流程
    2.3 AdaBoost系列算法
        2.3.1 AdaBoost算法
        2.3.2 Adaboost.M1算法
    2.4 本章小結
第三章 基于密度裁剪的SVM算法
    3.1 算法提出的背景
    3.2 密度裁剪算法
        3.2.1 密度裁剪原理
        3.2.2 密度裁剪算法步驟
        3.2.3 參數確定
    3.3 基于密度裁剪的SVM算法實現
    3.4 實驗結果與分析
    3.5 本章小結
第四章 AdaBoost-KNN算法
    4.1 AdaBoost-KNN算法
    4.2 AdaBoost-KNN算法實現
    4.3 AdaBoost.M1-KNN算法實現
    4.4 實驗結果與分析
        4.4.1 數據集采集
        4.4.2 數據預處理
        4.4.3 算法評判標準
        4.4.4 AdaBoost-KNN預測識別結果
        4.4.5 三個分類算法的預測識別結果
    4.5 本章小結
第五章 基于密度裁剪的SVM與AdaBoost-KNN結合的分類算法
    5.1 SVM參數優(yōu)化
        5.1.1 遺傳算法
        5.1.2 粒子群算法
        5.1.3 網格搜索算法
        5.1.4 算法小結
    5.2 基于密度裁剪的SVM與AdaBoost-KNN結合的預測識別算法
        5.2.1 算法的學習階段
        5.2.2 算法的測試階段
    5.3 實驗結果與分析
    5.4 本章小結
第六章 總結與展望
    6.1 本文的主要工作總結
    6.2 展望
參考文獻
攻讀學位期間研究成果
致謝

【相似文獻】

相關期刊論文 前10條

1 蔣焰;丁曉青;;基于多步校正的改進AdaBoost算法[J];清華大學學報(自然科學版)網絡.預覽;2008年10期

2 王奕然;張新峰;;基于AdaBoost級聯框架的舌色分類[J];北京生物醫(yī)學工程;2020年01期

3 李軍;閆佳佳;;基于KELM-AdaBoost方法的短期風電功率預測（英文）[J];控制工程;2019年03期

4 王倫;;Adaboost-SVM多因子選股模型[J];經濟研究導刊;2019年10期

5 葉曉波;秦海菲;呂永林;;一種改進的Adaboost-BP算法在手寫數字識別中的研究[J];大理大學學報;2019年06期

6 嚴智;張鵬;謝川;張鈺林;李保軍;;一種快速AdaBoost.RT集成算法時間序列預測研究[J];電子測量與儀器學報;2019年06期

7 李聞;王顯博;;基于Adaboost算法的人臉檢測的研究[J];中外企業(yè)家;2019年26期

8 李偉;嚴珂;陸慧娟;葉敏超;;基于Adaboost.RT算法的隧道沉降時間序列預測研究[J];中國計量大學學報;2019年03期

9 王玲娣;徐華;;AdaBoost的多樣性分析及改進[J];計算機應用;2018年03期

10 杜瑞超;華繼學;翟夕陽;李志鵬;;基于改進Real AdaBoost算法的軟件可靠性預測[J];空軍工程大學學報(自然科學版);2018年01期

相關博士學位論文 前10條

1 劉沖;模擬電路故障診斷AdaBoost集成學習方法研究[D];大連海事大學;2011年

2 Ebenezer Owusu;[D];江蘇大學;2014年

3 習文星;移動背景下視覺的行人檢測、識別與跟蹤技術研究[D];中國科學院研究生院(上海技術物理研究所);2015年

4 盧金娜;基于優(yōu)化算法的徑向基神經網絡模型的改進及應用[D];中北大學;2015年

5 盧巖;交通監(jiān)控中的運動人體目標檢測與跟蹤[D];中國科學院研究生院（長春光學精密機械與物理研究所）;2011年

6 王小明;可變光照下人臉檢測與識別研究[D];華東師范大學;2010年

7 孫元;多媒體語義檢索關鍵問題研究[D];吉林大學;2010年

8 王穎;成熟microRNA識別及其功能預測方法研究[D];哈爾濱工程大學;2016年

9 吳暾華;面向中醫(yī)面診診斷信息提取的若干關鍵技術研究[D];廈門大學;2008年

10 高常鑫;基于上下文的目標檢測與識別方法研究[D];華中科技大學;2010年

相關碩士學位論文 前10條

1 李陽;基于卷積神經網絡與AdaBoost算法的實時行人檢測系統研究[D];重慶郵電大學;2019年

2 孟亞瓊;改進的Adaboost算法在基因表達數據中的應用[D];中國計量大學;2018年

3 孫結冰;基于Adaboost人臉檢測算法的多人標識系統研發(fā)[D];黑龍江大學;2019年

4 范支菊;基于密度裁剪的SVM與AdaBoost-KNN結合的分類算法研究[D];青島大學;2019年

5 秦潤蒙;基于SVM和KNN算法的地理標志大米摻假鑒別模型研究[D];吉林農業(yè)大學;2019年

6 鄭偉華;基于MCP懲罰的AdaBoost集成剪枝技術的研究[D];江西財經大學;2019年

7 趙晉川;融合AdaBoost和GRU方法的地質分層識別研究[D];華北電力大學(北京);2019年

8 趙云紅;基于Adaboost改進的BP神經網絡地表沉陷預測研究[D];西安科技大學;2019年

9 陳天昕;基于AdaBoost與SVM集成算法的高爐爐溫狀態(tài)解析[D];江西財經大學;2019年

10 劉樹燦;基于BP_Adaboost算法的軌面狀態(tài)識別研究[D];湖南工業(yè)大學;2019年

本文編號：2840754