發(fā)布時間：2021-03-10 03:36

　　隨著互聯(lián)網(wǎng)、計算機技術的快速發(fā)展以及智能手機的普及,人們生活更加數(shù)字化和智能化,與此同時,各種文本或日志數(shù)據(jù)等在爆炸式地增長。如何快速地對這些數(shù)據(jù)進行有效分類并從中挖掘出有用的價值信息逐漸成為人們?nèi)找骊P心的問題。自動分類技術已經(jīng)成為機器學習領域的研究熱點,因為它能快速地進行分類,減少人工進行分類的成本,提高工作效率。針對樣本類別數(shù)較少、數(shù)據(jù)量較大的多類分類問題,提出了一種基于1-a-1和組合凸線器的多類分類算法。該算法對于有N個類別的訓練樣本,用1-a-1的方法訓練N（N-1）/2個組合凸線器二分類器,對于每一個待分類樣本,用所有的二分類器去進行分類,最終根據(jù)每個類別所得的票數(shù)決定所屬類別。在Reuters 21578數(shù)據(jù)集上進行的分類實驗結果表明,相對于支持向量機1-a-1算法,本文算法在保證分類精度和訓練速度的同時,分類速度有了顯著提高。針對樣本類別數(shù)較多、數(shù)據(jù)量較少的多類分類問題,提出了一種基于1-a-r和組合凸顯器方法的多類分類算法。該算法對于有N個類別的訓練樣本,采用一對其余的方法訓練N個組合凸線器二分類器,對于每一個待分類樣本,用所有的二分類器去進行分類,最終根據(jù)樣本的票數(shù)... 

【文章來源】：渤海大學遼寧省

【文章頁數(shù)】：52 頁

【學位級別】：碩士

【部分圖文】：

圖２－１最優(yōu)超平面??

圖２－２軟間隔ＳＶＭｓ的幾何解釋??

?潮海大學碩士學位論文???一個高維特征空間，在低維樣本空間中需要學習的是超曲面模型，但是映射到高維空間后，??需要學習的是超平面模型。如圖２－３所示。這樣，分類學習任務通過在特征空間中求解線??性支持向量機就可以完成。??樣本空間?個Ｚ３?特征空間??ＸＩ?？??＇滅、？．??參？春?２１??？?？?？?ｘ２?Ｚ２，，??圖２－３樣本空間到特征空間的非線性映射??線性支持向量機式（２－１０）的對偶問題為??ｊ?Ｎ?Ｎ?Ｎ??ｍｉｎ??ａ?＾?／＝ｉ?ｙ＝ｉ?／＝ｉ??Ｎ??ｓ－ｔ．?＇少，＝０??／＝１??０?＜?？，?＜?Ｃ?，?ｉ?＝?Ｕ，…，Ｎ?（２－１５）??求解該對偶問題的最優(yōu)解ａ＊?＝?和ｗ＿?＝乞，選擇ａ＊的一個分量ａ；適合??條件０＜〇；）＜。，計算＾／＝＞＾－藝＞｜乂（＼：，．１，），分離超平面濃＇．１：?＋?＾／?＝?０等價于??Ｚａ，Ｖ，（ｘ．ｘ，）?＋?Ｚ＞＊＝０?（２－１６）??／＝１??和分類決策函數(shù)；（：?＋?／：／）等價于??〔Ｎ?、??ｆ（ｘ）?＝?ｓｉｇｎ?ＹＪａ＇ｙ，｛ｘ＇ｘ，）＋ｂ，■?（２＿１７）??Ｖ，＝ｉ?７??觀察可知，在式（２－１５）的對偶問題中的目標函數(shù)和式（２－１７）的決策函數(shù)中，都僅僅是??涉及到輸入樣本之間的內(nèi)積計算，因此，如果用核函數(shù)ＸＵ，ｘ，）?＝?）？?）來代替內(nèi)積，??上述對偶問題中的目標函數(shù)就變成??ｍｉｎ?（２＿１８）??ａ?＾?；＝１?ｙ＝ｌ?／＝１??同樣分類決策函數(shù)變成??１１??

【參考文獻】：
期刊論文
[1]Hadamard糾錯碼結合支持向量機在多分類問題中的應用[J]. 尹安容,謝湘,匡鏡明.  電子學報. 2008(01)
[2]貝葉斯學習、貝葉斯網(wǎng)絡與數(shù)據(jù)采掘[J]. 林士敏,田鳳占,陸玉昌.  計算機科學. 2000(10)
[3]文語轉換系統(tǒng)中基于語料的漢語自動分詞研究[J]. 應志偉,柴佩琪,陳其暉.  計算機應用. 2000(02)

博士論文
[1]組合凸線器框架下分片線性分類器的構造方法研究[D]. 冷強奎.北京工業(yè)大學 2015
[2]基于支持向量機的文本分類算法研究[D]. 秦玉平.大連理工大學 2008



本文編號：3073987