基于邊界樣本選擇的支持向量機.pdf_第1頁
已閱讀1頁，還剩45頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：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，請進行舉報或認領

文檔簡介

1、支持向量機(Support Vector Machine,SVM)是以統(tǒng)計學理論和結構風險最小化原則為基礎的,一種處理小樣本問題的數(shù)據(jù)挖掘方法。由于其具有完備的理論基礎和很好的泛化能力,被廣泛應用于求解分類問題和回歸問題。因為求解SVM的實質是求解一個凸二次規(guī)劃問題,它的計算時間復雜度為O(n3),空間復雜度為O(n2),所以當處理大規(guī)模數(shù)據(jù)問題時,其訓練時間會很長,對存儲空間的要求也很高。
　　由于分類超平面僅由支持向量確定,而

2、支持向量大多分布在分類邊界上。根據(jù)這一特點,針對上述問題,本文提出了兩種基于邊界樣本選擇的支持向量機。利用概率神經(jīng)網(wǎng)絡和極端學習機,選出邊界樣本作為候選支持向量,訓練支持向量機。在篩選候選支持向量時,使用K-L散度和熵作為啟發(fā)式。當K-L散度值越大時,說明期望分布和真實分布差異越大,也就是說這個樣本最不容易被區(qū)分,通常這樣的樣本分布在分類邊界上。當熵值越大時,說明樣本包含的不確定信息越大,對分類超平面位置的影響也就越大,因此這樣的樣本也

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