本文關(guān)鍵詞：基于結(jié)構(gòu)信息的支持向量機(jī)模型和算法研究

  更多相關(guān)文章： 支持向量機(jī) 非平行超平面支持向量機(jī) 結(jié)構(gòu)信息 判別信息 線性判別分析

【摘要】：支持向量機(jī)(SVM)是當(dāng)前公認(rèn)的解決分類問題和回歸問題的有效工具,已被廣泛應(yīng)用于很多領(lǐng)域之中.非平行超平面支持向量機(jī)作為支持向量機(jī)的拓廣和延伸,因其適應(yīng)能力強(qiáng)和運(yùn)算量少,受到了學(xué)者的廣泛關(guān)注,已成為支持向量機(jī)方向一個新的研究熱點(diǎn).本文以支持向量機(jī)和非平行超平面支持向量機(jī)為研究背景,以挖掘和利用訓(xùn)練樣本中潛在結(jié)構(gòu)信息和判別信息為前提,構(gòu)建更為有效的改進(jìn)模型,使之能適用于不同情形的實(shí)際問題.具體工作包括以下四個方面:1.受啟發(fā)于線性判別分析,本文提出了投影非平行支持向量機(jī).此方法需要兩個步驟才能獲得最優(yōu)的中心超平面.第一個步驟,通過最小化類內(nèi)距離和最大化類間距離策略來獲取兩個投影方向;第二個步驟,以所得的投影方向作為非平行中心超平面的法向量,然后通過選取基于樣本空間分布的特定幾何點(diǎn)來確定中心超平面的確切位置.此外,為了提高本方法的求解速度,本文利用超松弛算法求解其模型,最后通過人工數(shù)據(jù)和標(biāo)準(zhǔn)數(shù)據(jù)集實(shí)驗(yàn)驗(yàn)證了所提方法的合理性和有效性.2.注意到傳統(tǒng)的雙子支持向量機(jī)并沒有考慮到訓(xùn)練樣本的潛在空間分布信息和判別信息,為了克服此缺點(diǎn),本文提出了基于改進(jìn)成對約束信息的雙子支持向量機(jī).此方法在修改的成對約束基礎(chǔ)之上,針對非平行超平面分類器,設(shè)計(jì)出了改進(jìn)的判別正則項(xiàng),即類內(nèi)判別正則項(xiàng)和類間判別正則項(xiàng),并把它們引入雙子支持向量機(jī)之中,從而得到了基于改進(jìn)成對約束信息的雙子支持向量機(jī)模型.在數(shù)值實(shí)驗(yàn)部分,利用人工數(shù)據(jù)和標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證了所提方法的合理性和有效性.3.注意到標(biāo)準(zhǔn)支持向量機(jī)并沒有考慮到訓(xùn)練樣本間潛在的高階關(guān)系和判別信息,本文通過引入新設(shè)計(jì)的判別正則項(xiàng),提出了基于超圖和成對約束信息的支持向量機(jī).此方法不僅挖掘出了訓(xùn)練樣本間潛在的高階復(fù)雜關(guān)系,而且還利用到了它們之間先驗(yàn)的判別信息,從而提高了標(biāo)準(zhǔn)支持向量機(jī)的分類性能.4.注意到傳統(tǒng)的利用結(jié)構(gòu)化數(shù)據(jù)的SVM+的分組方法具有很大的隨機(jī)性且僅僅考慮了訓(xùn)練樣本的部分結(jié)構(gòu)信息,為了克服此缺點(diǎn),本文提出了基于特征選擇和聚類技術(shù)的SVM+.此方法首先通過特征選擇方法選出部分特征,然后再通過聚類技術(shù)依據(jù)所選特征進(jìn)行聚類,把所得的聚類結(jié)果作為分組信息引入SVM+之中,從而得到了基于新的分組方法的SVM+模型,并設(shè)計(jì)出了相對應(yīng)的算法,最后通過數(shù)值實(shí)驗(yàn)驗(yàn)證了所提方法的有效性.
【學(xué)位授予單位】：中國農(nóng)業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2017
【分類號】：F224

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 楊一文,楊朝軍;基于支持向量機(jī)的金融時間序列預(yù)測[J];系統(tǒng)工程理論方法應(yīng)用;2005年02期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 劉京禮;魯棒最小二乘支持向量機(jī)研究與應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2010年

，

本文編號：1278914