支持向量機分類算法及其在進化計算中的應用研究.pdf

1、與傳統(tǒng)統(tǒng)計學理論不同,統(tǒng)計學習理論主要針對小樣本統(tǒng)計問題,其不僅考慮到了漸近性能的要求,并且在有限信息的條件下亦可得到最優(yōu)結(jié)構(gòu)?；谶@一理論的支持向量機算法建立在VC理論和結(jié)構(gòu)風險最小化原理基礎(chǔ)上,根據(jù)有限的樣本信息在模型的復雜性(即對特定訓練樣本的學習精度)和學習能力(即無錯誤地識別任意樣本的能力)之間尋求最佳折衷,以期獲得最好的推廣能力。然而,作為機器學習領(lǐng)域中相對較新的理論,支持向量機很多方面還處于不斷發(fā)展完善之中。本課題對支持向

2、量機分類算法進行了深入研究(包括核函數(shù)選取,參數(shù)優(yōu)化,性能評估等方面)。概括地講,本文的主要研究內(nèi)容、研究成果如下：1.從理論上對多項式核函數(shù)和高斯徑向基核函數(shù)進行了研究,并從概率統(tǒng)計角度出發(fā),通過樣本的線性可分度和線性密集度定量分析核函數(shù)對決策函數(shù)的影響,給出一種核函數(shù)性能評價方法,最后通過實驗驗證了該方法的有效性。2.在對傳統(tǒng)經(jīng)典多類分類算法研究的前提下,提出一種改進的基于二叉決策樹的SVM多類分類算法IBDT-SVM,該算法采用K