隨著信息時(shí)代和大數(shù)據(jù)時(shí)代的到來(lái),分類問(wèn)題也變得日益復(fù)雜,高維大樣本分類問(wèn)題和在線應(yīng)用需求要求研究人員在分類器的設(shè)計(jì)過(guò)程中從分類器精度和“維數(shù)災(zāi)難”之間選擇一個(gè)合適的折衷點(diǎn)。為了降低分類器的存儲(chǔ)需求以適用在線應(yīng)用,同時(shí)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(gè)獨(dú)立的過(guò)程當(dāng)作一個(gè)整體來(lái)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(jī)（Support Vector Machine,SVM）的理論基礎(chǔ)上應(yīng)用自適應(yīng)鏈接超平面模型（Adaptive Hinging Hyperplanes,AHH）來(lái)劃分樣本空間,從而保證樣本在各個(gè)子空間上線性可分。得益于特殊的訓(xùn)練算法,該分類器將特征選擇和分類兩個(gè)過(guò)程統(tǒng)一到了一起,成功在精度和“維數(shù)災(zāi)難”之間尋找到了合適的折衷點(diǎn)。然后,本文還從神經(jīng)網(wǎng)絡(luò)角度出發(fā)建立了一種具備自適應(yīng)性的神經(jīng)網(wǎng)絡(luò)分類器。該分類器將AHH模型基函數(shù)作為網(wǎng)絡(luò)的激活函數(shù)并建立了一個(gè)模型效率較高的單隱層神經(jīng)網(wǎng)絡(luò)分類器。與其他的神經(jīng)網(wǎng)絡(luò)分類器相比,該分類器在訓(xùn)練速度和測(cè)試速度上顯示出了絕對(duì)的優(yōu)勢(shì),因此該分類器比其他神經(jīng)網(wǎng)絡(luò)更加適用于在線應(yīng)用。最... 

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
引言
第1章 文獻(xiàn)綜述
    1.1 神經(jīng)網(wǎng)絡(luò)分類器概述
        1.1.1 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
        1.1.2 神經(jīng)網(wǎng)絡(luò)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(yīng)用及改進(jìn)方案
    1.3 特征選擇方法概述
    1.4 本章小結(jié)
第2章 分片線性分類器設(shè)計(jì)
    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(shè)計(jì)
        2.2.1 分片線性分類器構(gòu)造
        2.2.2 特征參數(shù)辨識(shí)及子區(qū)間邊界
    2.3 仿真實(shí)驗(yàn)
        2.3.1 數(shù)據(jù)集簡(jiǎn)介及預(yù)處理
        2.3.2 仿真實(shí)驗(yàn)及分析
    2.4 本章小結(jié)
第3章 神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)
    3.1 神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)
        3.1.1 分類器構(gòu)造
        3.1.2 參數(shù)辨識(shí)及網(wǎng)絡(luò)設(shè)計(jì)
    3.2 仿真實(shí)驗(yàn)
    3.3 本章小結(jié)
第4章 快速自適應(yīng)算法設(shè)計(jì)及特征選擇
    4.1 算法設(shè)計(jì)與分析
        4.1.1 算法設(shè)計(jì)
        4.1.2 算法分析
    4.2 參數(shù)說(shuō)明及算法實(shí)現(xiàn)
    4.3 自適應(yīng)性與特征選擇
        4.3.1 自適應(yīng)性
        4.3.2 特征數(shù)量選擇
        4.3.3 自適應(yīng)性與特征選擇的關(guān)系
    4.4 本章小結(jié)
第5章 結(jié)論
參考文獻(xiàn)
附錄A 在學(xué)期間研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]自適應(yīng)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(xué)學(xué)報(bào)(自然科學(xué)版). 2010(10)



本文編號(hào)：3682868