支持向量機多分類方法的研究及應用.pdf

1、支持向量機(Suport Vector Machine，簡稱SVM)是一種基于統(tǒng)計學習理論的新型機器學習方法，是借助于最優(yōu)化方法解決機器學習問題的新工具。支持向量機是機器學習領域若干標準技術的集大成者，它集成了最大間隔超平面、Mercer核、凸二次規(guī)劃、稀疏解和松弛變量等多項技術，在若干具有挑戰(zhàn)性的應用中，獲得了非常好的效果。由于其具有全局最優(yōu)、結構簡單、推廣能力強等優(yōu)點，近幾年得到了廣泛的研究并廣泛應用于模式識別等領域。但是支持向量機

2、方法最初是針對兩類別的分類提出的，如何將支持向量機方法擴展到多類別分類(也稱為多分類)問題是支持向量機研究的重要內容之一。 本文基于統(tǒng)計學習理論和支持向量機方法，針對多分類問題進行了深入研究。主要研究工作如下： ①支持向量機多分類算法的分析比較。全面總結了現有的基于支持向量機的多分類方法，包括“一對多”、“一對一”方法、有向無環(huán)圖方法、樹型SVM方法等，給出了理論上的性能比較，推廣能力的分析，時間復雜度比較；并通過實驗對

3、其中幾種常用的方法進行了驗證與比較。 ②提出了一種基于支持向量數據描述算法的SVM多分類新方法。對基于支持向量數據描述算法的多分類方法進行了研究，分析了它的優(yōu)缺點，并深入討論了其推廣性能一般的原因。針對其存在的不可分區(qū)域這個缺陷，提出了一種新的多分類方法(S-MSVM)，該方法對每類樣本建立一個超球來界定，由于訓練好的超球在多數情況下是相交的，選擇相交區(qū)域的樣本單獨建立超球，重復該步驟，直到相交區(qū)域消失或者相交區(qū)域內沒有樣本點或

4、者超過迭代終止條件。然后對其進行了時間復雜度分析，并通過在多組UCI數據上的實驗驗證了其良好的推廣能力。 ③將支持向量機多分類方法應用于孤立肺結節(jié)的醫(yī)學診斷，實驗結果表明SVM分類器對惡性結節(jié)的診斷效果優(yōu)于其他方法。孤立肺結節(jié)的診斷對臨床醫(yī)生及影像科醫(yī)生而言是一個極大的挑戰(zhàn)，除了其發(fā)生率高，孤立肺結節(jié)的診斷中精確區(qū)別無結節(jié)、良性結節(jié)和惡性結節(jié)是非常困難的，所以研究一種有效的分類方法以輔助醫(yī)生診斷是非常重要的。本文將仿生模式識別、