支持向量機(jī)對(duì)分類問(wèn)題的有效解決能力,吸引力了大量科研工作者的關(guān)注.對(duì)支持向量分類器模型的應(yīng)用改進(jìn),成為了新的研究方向和關(guān)注領(lǐng)域.由于分類問(wèn)題樣本數(shù)據(jù)集存在線性不可分和多分類的特點(diǎn),通過(guò)核技巧解決樣本空間線性不可分的問(wèn)題,又使得支持向量模型在參數(shù)選取中產(chǎn)生較大的困難.核函數(shù)和對(duì)應(yīng)參數(shù)的選擇決定了支持向量機(jī)分類性能.本文主要內(nèi)容如下:首先,在詳細(xì)闡述了支持向量分類器的發(fā)展過(guò)程和國(guó)內(nèi)外研究的基礎(chǔ)上,分析了不同的支持向量分類器模型所適用分類問(wèn)題的數(shù)據(jù)結(jié)構(gòu).研究了多分類模型的評(píng)價(jià)指標(biāo).其次,在分析和討論網(wǎng)格搜索法,粒子群優(yōu)化算法,遺傳優(yōu)化算法的基礎(chǔ)上.提出了基于網(wǎng)格搜索法的改進(jìn)的粒子群優(yōu)化算法.并將優(yōu)化過(guò)的多項(xiàng)式核支持向量機(jī)模型,應(yīng)用到種子分類問(wèn)題中.通過(guò)實(shí)驗(yàn)對(duì)比數(shù)據(jù)預(yù)處理后的種子數(shù)據(jù)集,多項(xiàng)式核支持向量機(jī)分類模型,在總體分類精度和個(gè)體分類精度兩方面與其他算法比較具有優(yōu)勢(shì).最后,針對(duì)客戶等級(jí)分類問(wèn)題,在數(shù)據(jù)預(yù)處理階段應(yīng)用箱型圖法和最值歸一化法做數(shù)據(jù)預(yù)處理,然后利用主成分分析,對(duì)數(shù)據(jù)做降維處理.通過(guò)實(shí)驗(yàn)對(duì)比高斯核和多項(xiàng)式核的支持向量機(jī)分類模型,以及網(wǎng)格搜索法,粒子群優(yōu)化算法,遺傳優(yōu)化算法三種優(yōu)化算... 

【文章來(lái)源】：蘭州交通大學(xué)甘肅省

【文章頁(yè)數(shù)】：93 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

擴(kuò)大范圍粗搜索分類精度等高線圖

蘭州交通大學(xué)碩士學(xué)位論文-17-局部最優(yōu)解的缺點(diǎn),結(jié)合網(wǎng)格搜索法和粒子群優(yōu)化算法的優(yōu)點(diǎn),提出基于網(wǎng)格搜索法縮小參數(shù)C,尋優(yōu)范圍,再用粒子群優(yōu)化算法確定參數(shù)C,具體取值.改進(jìn)的網(wǎng)格搜索法,首先利用較大步長(zhǎng)和較大范圍的搜索參數(shù)C,,然后計(jì)算對(duì)應(yīng)坐標(biāo)C,的5-fold交叉檢驗(yàn)分類準(zhǔn)確率,繪制分類準(zhǔn)確率等高線圖.如圖3.3所示.圖3.3擴(kuò)大范圍粗搜索分類精度等高線圖圖3.4給出了以采用步長(zhǎng)為0.1,確定參數(shù)C,遍歷范圍,C的范圍為7-622，,的范圍為4-622，的網(wǎng)格搜索法對(duì)應(yīng)的分類精度等高線圖.圖3.4縮小范圍小步長(zhǎng)搜索分類精度等高線圖

箱型圖

【參考文獻(xiàn)】：
期刊論文
[1]基于SA-SVM的中文文本分類研究[J]. 郭超磊,陳軍華.  計(jì)算機(jī)應(yīng)用與軟件. 2019(03)
[2]基于支持向量機(jī)的文本分類[J]. 李蕓初.  中國(guó)新技術(shù)新產(chǎn)品. 2019(01)
[3]基于改進(jìn)多層感知機(jī)的手寫數(shù)字識(shí)別[J]. 何平,劉紫燕.  通信技術(shù). 2018(09)
[4]支持向量機(jī)在文本分類中的研究與應(yīng)用[J]. 張燕,姚志遠(yuǎn),陳文社.  電腦編程技巧與維護(hù). 2018(08)
[5]基于支持向量機(jī)的不均衡文本分類方法[J]. 高超,許翰林.  現(xiàn)代電子技術(shù). 2018(15)
[6]基于粒子群的支持向量機(jī)圖像識(shí)別[J]. 韓曉艷,趙東.  液晶與顯示. 2017(01)
[7]基于主成分分析和PSO-SVM的樹葉分類方法研究[J]. 楊志輝,胡紅萍,白艷萍.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2016(18)
[8]改進(jìn)的基于粒子群優(yōu)化的支持向量機(jī)特征選擇和參數(shù)聯(lián)合優(yōu)化算法[J]. 張進(jìn),丁勝,李波.  計(jì)算機(jī)應(yīng)用. 2016(05)
[9]基于數(shù)據(jù)關(guān)系的SVM多分類學(xué)習(xí)算法[J]. 王文劍,梁志,郭虎升.  山西大學(xué)學(xué)報(bào)(自然科學(xué)版). 2012(02)
[10]基于支持向量機(jī)分類的圖像識(shí)別研究[J]. 談蓉蓉.  安徽農(nóng)業(yè)科學(xué). 2010(26)

博士論文
[1]支持向量機(jī)魯棒性模型與算法研究[D]. 王快妮.中國(guó)農(nóng)業(yè)大學(xué) 2015
[2]支持向量機(jī)分類方法及其在文本分類中的應(yīng)用研究[D]. 趙暉.大連理工大學(xué) 2006

碩士論文
[1]數(shù)據(jù)歸一化方法對(duì)提升SVM訓(xùn)練效率的研究[D]. 湯榮志.山東師范大學(xué) 2017
[2]基于多尺度核加權(quán)融合的支持向量機(jī)核函數(shù)優(yōu)化方法的研究[D]. 陳洋洋.杭州電子科技大學(xué) 2017
[3]SVM參數(shù)尋優(yōu)及其在分類中的應(yīng)用[D]. 徐曉明.大連海事大學(xué) 2014
[4]主成分分析法研究及其在特征提取中的應(yīng)用[D]. 陳佩.陜西師范大學(xué) 2014
[5]SVM核參數(shù)優(yōu)化研究與應(yīng)用[D]. 楊海.浙江大學(xué) 2014
[6]一種改進(jìn)的約簡(jiǎn)支持向量機(jī)及其在鋅凈化過(guò)程軟測(cè)量中的應(yīng)用[D]. 張斌.中南大學(xué) 2010
[7]支持向量機(jī)中Sigmoid核函數(shù)的研究[D]. 劉明.西安電子科技大學(xué) 2009
[8]支持向量機(jī)核函數(shù)的研究[D]. 黃嘯.蘇州大學(xué) 2008
[9]基于支持向量機(jī)參數(shù)優(yōu)化的群智能優(yōu)化算法研究[D]. 李艷英.天津大學(xué) 2007
[10]支持向量機(jī)分類算法研究與應(yīng)用[D]. 彭璐.湖南大學(xué) 2007



本文編號(hào)：3234607