隨著近年來網(wǎng)絡(luò)技術(shù)的快速發(fā)展,相應(yīng)的數(shù)據(jù)規(guī)模也在飛速地增長。對于高維數(shù)據(jù)分類時SVM的耗時較長計算復(fù)雜度較高。雖然PCA-SVM對高維數(shù)據(jù)分類速率較快,但準(zhǔn)確率相對較低。本文在研究非線性降維方法特點的基礎(chǔ)之上,提出一種利用LLE方法對SVM進(jìn)行改進(jìn)的算法,對高維數(shù)據(jù)進(jìn)行LLE降維后采用SVM方法進(jìn)行分類。結(jié)合增量思想實現(xiàn)了基于局部線性嵌入(LLE)的SVM增量學(xué)習(xí)過程(LLE-ISVM),并將該算法用于MNIST數(shù)據(jù)庫測試和瓷片表面缺陷的分類過程。對于較復(fù)雜的含有少量有標(biāo)簽、大量無標(biāo)簽數(shù)據(jù)集,提出了半監(jiān)督的TSVM方法,利用LLE方法對其進(jìn)行修正與改進(jìn)。實驗結(jié)果表明,LLE-SVM增量算法對高維數(shù)據(jù)的運算速度與精度都有所提高,能實現(xiàn)完整增量學(xué)習(xí)過程,能較為準(zhǔn)確快速地實現(xiàn)磁片表面的缺陷分類過程。本文主要內(nèi)容工作如下:(1)查閱了大量國內(nèi)外關(guān)于SVM、增量學(xué)習(xí)、流形學(xué)習(xí)、半監(jiān)督方法的文獻(xiàn),對于目前傳統(tǒng)SVM方法對高維數(shù)據(jù)處理所存在的問題,提出了一些改進(jìn)方法。介紹了機器學(xué)習(xí)、流形學(xué)習(xí)方法的現(xiàn)狀與背景,為下文的算法設(shè)計提供了基礎(chǔ)。(2)研究了經(jīng)典的SVM方法,并提出了利用非線性流形方法對其進(jìn)行降...

【文章頁數(shù)】：56 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景及意義
    1.2 流形學(xué)習(xí)方法研究背景與現(xiàn)狀
    1.3 本文的研究內(nèi)容
    1.4 論文的章節(jié)安排
第2章 機器學(xué)習(xí)與SVM理論概述
    2.1 機器學(xué)習(xí)理論
        2.1.1 機器學(xué)習(xí)概念
        2.1.2 機器學(xué)習(xí)分類
    2.2 支持向量機SVM方法
        2.2.1 支持向量機算法
        2.2.2 核函數(shù)
    2.3 半監(jiān)督學(xué)習(xí)
        2.3.1 半監(jiān)督學(xué)習(xí)現(xiàn)狀
        2.3.2 半監(jiān)督學(xué)習(xí)假設(shè)
    2.4 本章小結(jié)
第3章 基于LLE的SVM增量學(xué)習(xí)算法
    3.1 引言
    3.2 基于LLE的SVM分類方法研究
        3.2.1 支持向量機（SVM）研究
        3.2.2 用于數(shù)據(jù)降維的流形學(xué)習(xí)方法分析
        3.2.3 線性流形學(xué)習(xí)方法及PCA-SVM研究
        3.2.4 非線性流形方法研究及SVM改進(jìn)
    3.3 基于LLE的SVM增量算法研究
        3.3.1 對LLE-SVM的改進(jìn)方法分析
        3.3.2 增量PCA-SVM算法
        3.3.3 增量LLE-SVM算法
    3.4 數(shù)據(jù)測試
        3.4.1 手寫數(shù)據(jù)庫MNIST測試
        3.4.2 瓷片表面缺陷分類測試
    3.5 本章小結(jié)
第4章 基于LLE的半監(jiān)督SVM方法
    4.1 引言
    4.2 半監(jiān)督增量SVM學(xué)習(xí)研究分析
        4.2.1 半監(jiān)督SVM研究
        4.2.2 直推式支持向量機研究
        4.2.3 LLE-TSVM算法及增量算法
    4.3 數(shù)據(jù)測試
        4.3.1 手寫數(shù)據(jù)庫MNIST測試
        4.3.2 瓷片圖像的分割及分類測試
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間參加的科研項目和成果



本文編號：4014269