本文關(guān)鍵詞：支持向量機與神經(jīng)網(wǎng)絡(luò)的融合優(yōu)化及其在數(shù)據(jù)挖掘中的應(yīng)用　出處：《深圳大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： RBFNN SVM SRmix算法 算法融合

【摘要】：不可置否,大數(shù)據(jù)是當(dāng)下社會最關(guān)注的焦點問題之一。云計算,人工智能,智慧城市等新興行業(yè)的背后都離不開大數(shù)據(jù)算法的支撐與貢獻(xiàn)。然而,國內(nèi)外學(xué)者對于大數(shù)據(jù)算法的橫向研究略顯不足,這會在一定程度上制約算法發(fā)展的廣度,故本文以支持向量機(Support Vector Machine,SVM)和徑向基神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Networks,RBFNN)為研究對象,深入挖掘兩種算法之間的關(guān)系,并提出一種基于已有RBF網(wǎng)絡(luò)的優(yōu)化模型,主要研究內(nèi)容如下:首先,采用溯源的方法分別研究了支持向量機與RBF神經(jīng)網(wǎng)絡(luò)的設(shè)計思想、核心參數(shù)和優(yōu)化策略。這有利于從兩種算法的本質(zhì)特征來發(fā)現(xiàn)問題,為后文詳細(xì)分析兩者之間的聯(lián)系及融合出新模型奠定了堅實的理論基礎(chǔ)。其次,借助于正則化的理論并結(jié)合支持向量機與RBF神經(jīng)網(wǎng)絡(luò)各自的核心因素,本文分別從兩種網(wǎng)絡(luò)的構(gòu)建思想、添加約束條件與公式化推導(dǎo)三個層面來分別闡述兩者之間的關(guān)系,從直觀到抽象,由淺入深,為提出SRmix(說明:SRmix簡稱是將SVM與RBFNN各取首字母并結(jié)合單詞mixture構(gòu)造而成,表示兩種算法的融合)模型構(gòu)建了扎實的理論框架。接著,論文提出了SRmix模型。相對于已有的RBF網(wǎng)絡(luò),SRmix模型做了以下幾點改進(jìn):第一,聚類支持向量機中的支持向量來獲得更精準(zhǔn)的隱含層網(wǎng)絡(luò)中心,同時可以有效地避免RBF神經(jīng)網(wǎng)絡(luò)發(fā)生過擬合的現(xiàn)象。第二,對于構(gòu)造推廣能力較強的算法而言,網(wǎng)絡(luò)權(quán)值的調(diào)整策略要遠(yuǎn)大于其賦值策略,甚至需要摒棄一些精細(xì)的賦值算法。第三,RBF網(wǎng)絡(luò)中的擴展常數(shù)用核函數(shù)為RBF的支持向量機中的擴展常數(shù)來替換,并進(jìn)行雙向搜索,這有助于提高算法的參數(shù)尋優(yōu)效率。第四,根據(jù)程序的停止條件動態(tài)循環(huán)地向RBF網(wǎng)絡(luò)的隱含層添加神經(jīng)元,逐步改善網(wǎng)絡(luò)的運算能力,從而有效地解決網(wǎng)絡(luò)運算能力不足與網(wǎng)絡(luò)運算負(fù)擔(dān)過重的問題。最后,設(shè)計實驗來驗證SRmix模型的性能。實驗分為兩個部分:第一,針對UCI基準(zhǔn)數(shù)據(jù)庫設(shè)計了一系列不同維度數(shù)據(jù)集的對比實驗。第二,將SRmix模型應(yīng)用于解決一個運動識別的問題。實驗結(jié)果表明,SRmix模型相比于BP網(wǎng)絡(luò)和支持向量機具有較高的算法穩(wěn)定性與泛化能力,它提供了一種切實可行的算法融合思路。
【學(xué)位授予單位】：深圳大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP18;TP311.13

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張磊;曹躍云;楊自春;;迭代總體最小二乘正則化的近場聲全息方法研究[J];振動與沖擊;2016年21期

2 顏曉娟;龔仁喜;張千鋒;;優(yōu)化遺傳算法尋優(yōu)的SVM在短期風(fēng)速預(yù)測中的應(yīng)用[J];電力系統(tǒng)保護(hù)與控制;2016年09期

3 焦李成;楊淑媛;劉芳;王士剛;馮志璽;;神經(jīng)網(wǎng)絡(luò)七十年:回顧與展望[J];計算機學(xué)報;2016年08期

4 黃曄;穆向陽;;神經(jīng)網(wǎng)絡(luò)與支持向量機的競爭與協(xié)作[J];科技創(chuàng)新與應(yīng)用;2015年33期

5 呂洪艷;杜鵑;;基于SVM的不良文本信息識別[J];計算機系統(tǒng)應(yīng)用;2015年06期

6 梁燁妮;;人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J];硅谷;2014年12期

7 張倩;楊耀權(quán);;基于支持向量機核函數(shù)的研究[J];電力科學(xué)與工程;2012年05期

8 雷升鍇;劉紅陽;何嘉;何險峰;薛勤;;動態(tài)K-均值聚類算法在RBF神經(jīng)網(wǎng)絡(luò)中心選取中的應(yīng)用[J];信息系統(tǒng)工程;2011年06期

9 沈正維;李秋菊;;支持向量機與神經(jīng)網(wǎng)絡(luò)的關(guān)系研究[J];生物數(shù)學(xué)學(xué)報;2006年02期

10 張鈴;基于核函數(shù)的SVM機與三層前向神經(jīng)網(wǎng)絡(luò)的關(guān)系[J];計算機學(xué)報;2002年07期

，

本文編號：1323965