SVM在參數(shù)選擇上的優(yōu)化.pdf

1、建立在統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原則上的支持向量機(jī)在理論上保證了模型的最大泛化能力，因此與建立在經(jīng)驗(yàn)風(fēng)險(xiǎn)最小原則上的神經(jīng)網(wǎng)絡(luò)模型相比，理論上更為完善。 支持向量機(jī)是一個(gè)具有多類分類能力的非線性分類器。在實(shí)際應(yīng)用中，有可能出現(xiàn)不同類別樣本數(shù)目相差很大的情況，比如在解決故障檢測(cè)等分類問題時(shí)，C-SVM訓(xùn)練的分類錯(cuò)誤總偏向于樣本數(shù)較少的類別，因而影響了分類的精確性。為提高精確性，提出了一種優(yōu)化算法，在訓(xùn)練過程中針對(duì)不同類樣本，采用不同

2、的權(quán)值來優(yōu)化訓(xùn)練過程，按正負(fù)類樣本在總樣本中所占的比例，加大樣本數(shù)較少的類別權(quán)值，降低樣本數(shù)較大的類別權(quán)值來實(shí)現(xiàn)兩類樣本間的均衡。實(shí)驗(yàn)結(jié)果表明該方法對(duì)兩類樣本數(shù)目相差很大的問題是有效的。 支持向量機(jī)的參數(shù)對(duì)于分類精確性影響很大，到目前為止，還沒有明確的選擇參數(shù)的算法。本論文運(yùn)用支持向量機(jī)建立模式識(shí)別分類器模型，研究影響模型分類能力的相關(guān)參數(shù)，在分析參數(shù)對(duì)分類器識(shí)別精度的影響基礎(chǔ)上，提出了用遺傳算法建立支持向量機(jī)分類器模型的參數(shù)自