基于支持向量機的分類算法研究.pdf

1、傳統(tǒng)的模式識別方法在處理問題時通常需要建立準確的數(shù)學模型，而且在解決非線性問題時很難有好的表現(xiàn)。許多傳統(tǒng)統(tǒng)計學習方法都將基于樣本數(shù)目趨于無窮大時的漸近理論作為假設，這些方法在實際應用中，往往表現(xiàn)不盡人意。支持向量機在解決建立模型難，維數(shù)災難方面有很好表現(xiàn)，并且存小樣本數(shù)據中有良好應用。正在成為繼模式識別和神經網絡研究之后機器學習領域新的研究熱點。 本文在統(tǒng)計學習理論基礎上深入探討了支持向量機算法及其在分類中的應用。分類實驗分三組

2、進行，選擇多項式和徑向基兩種核函數(shù)的支持向量機進行分類仿真實驗研究。 在分類實驗中，我們發(fā)現(xiàn)支持向量的數(shù)量遠遠小于樣本數(shù)，這為我們解決大規(guī)模數(shù)據問題提供了方法。將訓練樣本集分解成若干個小子集，按順序對各子集逐個訓練學習，避免了大規(guī)模數(shù)據計算的麻煩。實驗中采用不同規(guī)模的訓練樣本集，從結果發(fā)現(xiàn)對于訓練樣本較少的數(shù)據集，采用結構簡單的學習函數(shù)會避免出現(xiàn)過學習現(xiàn)象；相反對于訓練樣本較多的數(shù)據集，采用結構簡單的學習函數(shù)，會降低機器學習的推