現(xiàn)今世界上許多信息系統(tǒng)產(chǎn)生了大量的原始數(shù)據(jù),這些原始數(shù)據(jù)往往是具有高度不平衡、高維度、大規(guī)模以及屬性值各異等特性的高不確定數(shù)據(jù)。近些年來(lái),通過(guò)可靠的機(jī)器學(xué)習(xí)技術(shù)來(lái)進(jìn)行大數(shù)據(jù)挖掘變得尤為普遍。使用一般的機(jī)器學(xué)習(xí)方法來(lái)挖掘此類高不確定數(shù)據(jù),很難達(dá)到令人滿意是效果。因此,為了挖掘出高不確定數(shù)據(jù)中更多隱藏的、有用的信息,開發(fā)出高性能的機(jī)器學(xué)習(xí)方法來(lái)處理各種高不確定數(shù)據(jù)是很有必要的。本文提出了一種混合支持向量機(jī)模型來(lái)挖掘此類高不確定數(shù)據(jù),其結(jié)構(gòu)包括預(yù)處理、建立模型和參數(shù)優(yōu)化三部分。數(shù)據(jù)預(yù)處理包括歸一化和數(shù)據(jù)重采樣,旨在根據(jù)先驗(yàn)知識(shí)使數(shù)據(jù)平滑。本文在重采樣基礎(chǔ)上,通過(guò)選擇重復(fù)采樣的次數(shù),使得樣本更加平滑,進(jìn)一步提高分類器的性能。建立的算法模型為支持向量機(jī)（SupportVectorMachine,SVM）模型,它是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的方法,能夠很好地處理高維數(shù)據(jù),并且具有良好的泛化能力,但是只適合小樣本數(shù)據(jù),因此本文提出一種針對(duì)SVM的處理大規(guī)模數(shù)據(jù)的方法,以提高混合模型對(duì)大規(guī)模數(shù)據(jù)的處理能力。本文采用遺傳算法（Genetic Algorithm,GA）、最基本粒子群優(yōu)化法（Particl... 

【文章來(lái)源】：云南大學(xué)云南省 211工程院校

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－２：?ＰＳＯ流程圖??２．３．３網(wǎng)格搜索法??

圖３－１混合模型整體結(jié)構(gòu)圖??２０??

d恤betes數(shù)據(jù)的R巴peated一NN~N方法結(jié)果

【參考文獻(xiàn)】：
期刊論文
[1]基于支持向量機(jī)與無(wú)監(jiān)督聚類相結(jié)合的中文網(wǎng)頁(yè)分類器[J]. 李曉黎,劉繼敏,史忠植.  計(jì)算機(jī)學(xué)報(bào). 2001(01)
[2]關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J]. 張學(xué)工.  自動(dòng)化學(xué)報(bào). 2000(01)

博士論文
[1]基于優(yōu)化支持向量機(jī)模型的發(fā)動(dòng)機(jī)故障診斷[D]. 聶立新.東北大學(xué) 2015

碩士論文
[1]基于支持向量機(jī)的圖像分類方法研究[D]. 曹健.浙江師范大學(xué) 2013



本文編號(hào)：3441135