孿生支持向量機模型選擇問題研究.pdf

1、孿生支持向量機(TWSVM)是在近似支持向量機（PSVM）和基于廣義特征值近似支持向量機（GEPSVM）的基礎(chǔ)上提出的機器學習算法。與 PSVM、GEPSVM相比，TWSVM為每一類樣本求解一個超平面，兩個超平面沒有平行條件的約束，將二分類問題轉(zhuǎn)化為兩個規(guī)模更小的二次規(guī)劃問題，從而將訓練時間約減到SVM的1/4，能較好地求解異或（XOR）問題，且分類性能優(yōu)于PSVM、GEPSVM，但和支持向量機一樣，TWSVM仍需解決模型選擇問題。TW

2、SVM的性能取決于核函數(shù)的選擇和懲罰參數(shù)及核函數(shù)本身參數(shù)的選擇，如何選擇核函數(shù)及相關(guān)參數(shù)即為模型選擇問題。
　　本文首先研究使用量子粒子群算法對孿生支持向量機進行參數(shù)優(yōu)化，利用量子粒子群的全局搜索能力搜索最優(yōu)參數(shù)，從而避免了利用經(jīng)驗值指定參數(shù)的盲目性，進而提出了基于量子粒子群優(yōu)化的孿生支持向量機（QPSO-TWSVM），實驗表明QPSO-TWSVM提高了TWSVM的分類準確率。接著，使用混合核函數(shù)用于解決解決TWSVM的核函數(shù)選擇

3、問題，混合核函數(shù)選取一個全局核函數(shù)和一個局部核函數(shù)構(gòu)造出一個性能更優(yōu)的核函數(shù)，進而提出了基于混合核函數(shù)的孿生支持向量機（MK-TWSVM）。為了進一步解決MK-TWSVM的參數(shù)選擇問題，本文進一步研究使用蛙跳算法對其進行參數(shù)優(yōu)化，在此基礎(chǔ)上提出了基于蛙跳算法優(yōu)化的混合核孿生支持向量機（SFLA-MK-TWSVM），實驗表明該算法提高了TWSVM的性能。最后，研究了小波分析技術(shù)和基于小波分析構(gòu)造的核函數(shù)在孿生支持向量機中的應(yīng)用。小波分析具