基于協(xié)同聚類的支持向量機分類方法的研究.pdf_第1頁
已閱讀1頁，還剩61頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領

文檔簡介

1、目前，數(shù)據(jù)挖掘技術(shù)越來越為人們所重視。而分類是數(shù)據(jù)挖掘領域當中一個非常重要的問題，聚類算法和支持向量機在處理分類問題上都表現(xiàn)地非常的出色，成了當今數(shù)據(jù)分類的兩種十分有利的工具。其中，聚類算法能夠把大量數(shù)據(jù)點的集合分成若干類，使得每個類中的數(shù)據(jù)之間最大程度地相似，而不同類中的數(shù)據(jù)之間最大程度地不同。而支持向量機作為目前統(tǒng)計學習理論的VC維理論和結(jié)構(gòu)風險最小化原則的具體實現(xiàn)算法，它能夠很好的解決傳統(tǒng)機器學習中的維數(shù)災難和局部極小值等問題，并

2、且建立預測準確率高的分類器。
　　 針對大規(guī)模數(shù)據(jù)集學習時，支持向量機難以滿足實際應用的需求。針對此問題，在研究和分析目前有關算法的基礎上，將支持向量機和聚類算法相結(jié)合，提出了基于協(xié)同聚類的支持向量機分類方法。并在UCI數(shù)據(jù)集上，將該分類方法與SMO算法以及RSVM算法相比較，驗證了該分類方法能夠有效的簡約支持向量的數(shù)量，提高分類精度，減少分類時間。
　　 本文所做的工作主要有：
　　 (1)對最小二乘支持向量回

3、歸算法(LS—SVR)進行了改進，對LS—SVR的最優(yōu)化問題作了一定的改進，得到一個線性方程組。改進后的LS—SVR只需要對這個線性方程組求解，大大簡化了求解過程。
　　 (2)提出了基于協(xié)同聚類的二類支持向量機(CC—SVM)，通過協(xié)同聚類算法得到的類中心來取代簡化的支持向量機(RSVM)中隨機選取的候選支持向量。通過實驗證明，CC—SVM算法能夠有效的簡約支持向量的數(shù)量，提高分類效率。同時，將分類問題進一步的推廣到支持向量機

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論