基于支持向量機(jī)的農(nóng)業(yè)數(shù)據(jù)分類方法研究.pdf

1、隨著農(nóng)業(yè)信息技術(shù)的快速發(fā)展，農(nóng)業(yè)數(shù)據(jù)在快速積累和增加，對農(nóng)業(yè)數(shù)據(jù)進(jìn)行分類的需求也越來越多。如何將這些農(nóng)業(yè)數(shù)據(jù)快速有效地轉(zhuǎn)化為有價(jià)值的信息，是當(dāng)前信息計(jì)算機(jī)技術(shù)領(lǐng)域研究的重要課題。由于這些農(nóng)業(yè)數(shù)據(jù)具有動(dòng)態(tài)性、地域性、異構(gòu)性、時(shí)效性等特點(diǎn)，導(dǎo)致農(nóng)業(yè)數(shù)據(jù)的分類問題的難度不斷增加。傳統(tǒng)的分類算法在處理問題時(shí)都要以樣本數(shù)趨于無窮大為假設(shè)前提，許多算法需要建立精確的數(shù)學(xué)模型，在現(xiàn)實(shí)問題中，這些算法往往表現(xiàn)的不佳。
　　支持向量機(jī)是一種通用的機(jī)

2、器學(xué)習(xí)方法，與以前的機(jī)器學(xué)習(xí)方法相比，它具有許多理論和實(shí)踐上的優(yōu)勢，很好地解決了非線性、維數(shù)災(zāi)難、建模難等問題。本文針對農(nóng)業(yè)數(shù)據(jù)的特點(diǎn)，在分析傳統(tǒng)分類算法考慮不足的基礎(chǔ)上，提出基于支持向量機(jī)的農(nóng)業(yè)數(shù)據(jù)分類方法，重點(diǎn)解決了農(nóng)業(yè)數(shù)據(jù)分類的兩個(gè)關(guān)鍵問題：分類精度不夠高的問題，訓(xùn)練速度慢的問題。提出兩種核函數(shù)的改進(jìn)方法，并通過實(shí)驗(yàn)證明了本文方法的可行性和優(yōu)越性，較好地提高了核函數(shù)的學(xué)習(xí)分類能力。
　　本文所做的工作和研究成果包括下列幾個(gè)方

3、面：
　　1.詳細(xì)介紹了分類算法的基本理論，對SVM分類算法和SMO算法的基本概念、推導(dǎo)過程、優(yōu)點(diǎn)和不足進(jìn)行分析與研究，通過多組實(shí)驗(yàn)數(shù)據(jù)對幾種典型的分類算法進(jìn)行了性能對比測試，根據(jù)分類器的各項(xiàng)評價(jià)指標(biāo)對其進(jìn)行對比與分析。
　　2.本文對序列最小優(yōu)化算法的核函數(shù)進(jìn)行深入研究，提出一種改進(jìn)方法，在對測試樣本分類誤差率的期望上界的分析的基礎(chǔ)上，使用減少支持向量數(shù)的方法來減小分類誤差率，對二次項(xiàng)系數(shù)的絕對值的增大提高了分類正確率，結(jié)

4、合網(wǎng)格搜索法優(yōu)化基于核函數(shù)改進(jìn)的SMO算法的相關(guān)參數(shù)。通過實(shí)驗(yàn)結(jié)果證明，在大數(shù)據(jù)情況下，該方法能較好的克服SMO算法的缺陷，提高了分類正確率，且大幅度降低了建模時(shí)間。
　　3.研究了核函數(shù)的兩種主要類型：局部核函數(shù)與全局核函數(shù)，并通過實(shí)驗(yàn)比較了核函數(shù)的學(xué)習(xí)分類能力。結(jié)合這兩種類型核函數(shù)的特性，將Poly核函數(shù)與RBF核函數(shù)進(jìn)行線性混合，構(gòu)造出一種混合核函數(shù)，結(jié)合網(wǎng)格搜索法優(yōu)化基于混合核函數(shù)的SMO算法的相關(guān)參數(shù)。實(shí)驗(yàn)結(jié)果表明，混合