隨著信息時代和大數(shù)據(jù)時代的到來,分類問題也變得日益復雜,高維大樣本分類問題和在線應用需求要求研究人員在分類器的設計過程中從分類器精度和“維數(shù)災難”之間選擇一個合適的折衷點。為了降低分類器的存儲需求以適用在線應用,同時也為了賦予分類器處理高維大樣本的能力,本文將特征選擇和分類兩個獨立的過程當作一個整體來考慮。本文首先從分類邊界的角度出發(fā)建立了一種分片線性分類器。該分類器在支持向量機（Support Vector Machine,SVM）的理論基礎上應用自適應鏈接超平面模型（Adaptive Hinging Hyperplanes,AHH）來劃分樣本空間,從而保證樣本在各個子空間上線性可分。得益于特殊的訓練算法,該分類器將特征選擇和分類兩個過程統(tǒng)一到了一起,成功在精度和“維數(shù)災難”之間尋找到了合適的折衷點。然后,本文還從神經(jīng)網(wǎng)絡角度出發(fā)建立了一種具備自適應性的神經(jīng)網(wǎng)絡分類器。該分類器將AHH模型基函數(shù)作為網(wǎng)絡的激活函數(shù)并建立了一個模型效率較高的單隱層神經(jīng)網(wǎng)絡分類器。與其他的神經(jīng)網(wǎng)絡分類器相比,該分類器在訓練速度和測試速度上顯示出了絕對的優(yōu)勢,因此該分類器比其他神經(jīng)網(wǎng)絡更加適用于在線應用。最... 

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
引言
第1章 文獻綜述
    1.1 神經(jīng)網(wǎng)絡分類器概述
        1.1.1 神經(jīng)網(wǎng)絡簡介
        1.1.2 神經(jīng)網(wǎng)絡分類器
    1.2 分片線性分類器概述
        1.2.1 分片線性分類器的研究現(xiàn)狀
        1.2.2 分片線性分類器的應用及改進方案
    1.3 特征選擇方法概述
    1.4 本章小結
第2章 分片線性分類器設計
    2.1 SVM及 AHH模型回顧
        2.1.1 SVM回顧
        2.1.2 AHH模型回顧
    2.2 AHH-SVM分類器設計
        2.2.1 分片線性分類器構造
        2.2.2 特征參數(shù)辨識及子區(qū)間邊界
    2.3 仿真實驗
        2.3.1 數(shù)據(jù)集簡介及預處理
        2.3.2 仿真實驗及分析
    2.4 本章小結
第3章 神經(jīng)網(wǎng)絡分類器設計
    3.1 神經(jīng)網(wǎng)絡分類器設計
        3.1.1 分類器構造
        3.1.2 參數(shù)辨識及網(wǎng)絡設計
    3.2 仿真實驗
    3.3 本章小結
第4章 快速自適應算法設計及特征選擇
    4.1 算法設計與分析
        4.1.1 算法設計
        4.1.2 算法分析
    4.2 參數(shù)說明及算法實現(xiàn)
    4.3 自適應性與特征選擇
        4.3.1 自適應性
        4.3.2 特征數(shù)量選擇
        4.3.3 自適應性與特征選擇的關系
    4.4 本章小結
第5章 結論
參考文獻
附錄A 在學期間研究成果
致謝


【參考文獻】：
期刊論文
[1]自適應鏈接超平面及其與高階典范模型的比較[J]. 許鋆,王晶,王書寧.  清華大學學報(自然科學版). 2010(10)



本文編號：3682868