支持向量分類機的核函數(shù)研究.pdf

1、支持向量機是二十世紀九十年代發(fā)展起來的統(tǒng)計學習理論的核心內(nèi)容，它是借助于最優(yōu)化方法解決機器學習問題的新工具，集成了最優(yōu)超平面、Mercer核函數(shù)、凸二次規(guī)劃、稀疏解和松弛變量等多項技術(shù)，具有全局最優(yōu)、結(jié)構(gòu)簡單、推廣能力強等優(yōu)點，在模式分類、回歸分析和概率密度估計等若干方面獲得非常好的應用效果。核函數(shù)是支持向量機的重要組成部分，它巧妙地解決了高維空間的問題，通過使用不同的核函數(shù)，可實現(xiàn)不同的支持向量機算法。經(jīng)驗表明在眾多核函數(shù)中，高斯核函

2、數(shù)由于其特殊的性質(zhì)和廣泛的應用得到廣大研究者的重視。由于核函數(shù)的好壞直接影響著支持向量機的性能，因此有關(guān)核函數(shù)的研究就成為大家關(guān)注的焦點，成為支持向量機研究中需要解決的核心問題之一。
　　 論文針對支持向量機核函數(shù)的參數(shù)選擇和核函數(shù)的修正問題進行了研究，主要內(nèi)容為：
　　 首先，對支持向量機分類模型的核參數(shù)進行分析，考察目前常用的幾種核參數(shù)優(yōu)化方法，包括交叉驗證法、網(wǎng)格搜索算法、遺傳算法和粒子群算法，總結(jié)了它們的優(yōu)缺點。

3、基于粒子群算法收斂速度快而遺傳算法不易陷入局部最優(yōu)的優(yōu)點，提出一種新的核參數(shù)優(yōu)化方法，該方法是兩種算法交替進行，應用迭代控制器進行控制，每隔數(shù)代進行最優(yōu)粒子交互，從而克服了粒子群算法陷入局部最優(yōu)而導致的收斂精確度低或不收斂的問題，支持向量機分類精度也提高了。
　　 其次，為了更好地適應實際情況，利用實驗數(shù)據(jù)從黎曼幾何角度來增大支持向量機的分類精度。針對之前的修正核函數(shù)受到支持向量數(shù)目和分布的影響這一缺陷，基于黎曼幾何信息和Ama

4、ir的幾何修改方法提出一種新的修正核函數(shù)。該方法利用原始核函數(shù)訓練SVM得到的分類邊界與樣本值所在平面的距離來代替樣本點到支持向量的距離，通過改變擬共形變換來修正高斯核，旨在放大高斯核函數(shù)的體積元，從而提高SVM分類的效果。新的修正核函數(shù)，克服了以前修正核函數(shù)受支持向量數(shù)目的影響，并在很大程度上提高了SVM的泛化能力。
　　 最后，將論文的方法用于UCI數(shù)據(jù)庫中Mushroom的分類中，實驗說明用基于遺傳算法-粒子群算法的核參數(shù)