支持向量機及相關理論研究.pdf

1、支持向量機(SVM)技術是由V.Vapnik[1]于20世紀90年代中期提出的一種能處理非線性分類、回歸等機器學習問題的新模型。近幾十年其理論研究快速成熟,實際應用也被越來越多的領域重視。傳統(tǒng)分類方法是從歸納到演繹的分類過程,面對一些多維非線性問題往往效率低下,測試精度不高；而SVM則簡化分類過程,用訓練數(shù)據到測試數(shù)據的轉導推理(transduction inference)代替?zhèn)鹘y(tǒng)方法[2]。SVM模型只需要確定少數(shù)幾個參數(shù)即可確定決

2、策函數(shù),其他參數(shù)可以根據經驗固定選擇；而且時間復雜度尤其是空間復雜度取決于支持向量的數(shù)目,而不是屬性維數(shù),對比以前的分類方法,縮短分類時間,減少存儲空間。
　　 本文所做的工作主要圍繞SVM用于分類問題開展,研究成果分為下面兩個部分:
　　 1、針對當前模糊支持向量機(FSVM)使用特征空間樣本與類中心之間的距離構建隸屬度函數(shù)的不足,首次利用熵的不確定性定量化度量特征和蟻群算法(ACO)的智能性,與FSVM模型結合,提出

3、一種基于熵和ACO的FSVM新方法(EAFSVM)。求得的聚類中心和隸屬度能更準確的反映數(shù)據本身的特點,提高測試精度。對比SVM和FSVM,EAFSVM模型測試精度較高,尤其對多類數(shù)據、大規(guī)模數(shù)據具有較好的分類能力。
　　 2、由于支持向量機(SVM)的有效性依賴于對數(shù)據信息獲取的準確性,針對傳統(tǒng)SVM模型對數(shù)據信息考慮單一導致分類精度不高、泛化能力不強的問題,結合概率分布特性和等價類關系,提出了一種雙系數(shù)控制分類的新模型。以雙