發(fā)布時間：2018-05-21 02:40

  本文選題：支持向量機(jī) + 核函數(shù)��； 參考：《大連海事大學(xué)》2016年碩士論文

【摘要】：支持向量機(jī)(SVM)是由Vapnik提出的基于統(tǒng)計學(xué)習(xí)理論的一種分類方法,使低維特征空間經(jīng)過一種非線性轉(zhuǎn)換得到一個高維特征空間,最優(yōu)分類超平面即可在轉(zhuǎn)變到這個新的空間中求解,由此將不可分問題轉(zhuǎn)化為可分問題。在解決類似小樣本、高維數(shù)、非線性等眾多實際問題中SVM表現(xiàn)了很強(qiáng)的優(yōu)勢,這種方法在機(jī)器學(xué)習(xí)中占有著非常重要的地位。核函數(shù)作為支持向量機(jī)的核心,支持向量機(jī)的性能表現(xiàn)受到不同的核函數(shù)的直接影響,提高核函數(shù)性能成為研究支持向量機(jī)工作中的核心問題之一。本文首先介紹了支持向量機(jī)理論和核函數(shù)理論,通過對SVM及核函數(shù)性質(zhì)的研究并在不同數(shù)據(jù)集上測試四種常用核函數(shù)(線性核函數(shù)、高斯核函數(shù)、多項式核函數(shù)、sigmoid核函數(shù))的性能,選擇較優(yōu)的兩種或多種核函數(shù)進(jìn)行組合構(gòu)造新的混合核函數(shù),然后利用遺傳算法這種人工智能學(xué)習(xí)算法對混合核函數(shù)中核權(quán)重系數(shù)及核參數(shù)進(jìn)行自動化優(yōu)化,同時測試混合核函數(shù)SVM在不同數(shù)據(jù)集上的性能,并與單核測試數(shù)據(jù)結(jié)果進(jìn)行分析比較,得出結(jié)論,驗證混合核函數(shù)支持向量機(jī)的實用性。在文章最后對全文研究工作進(jìn)行了概況總結(jié),需要研究探討的問題也得到了進(jìn)一步的提出。
[Abstract]:Support vector machine (SVM) is a classification method based on statistical learning theory proposed by Vapnik. The optimal classification hyperplane can be solved in this new space, thus the inseparability problem can be transformed into a separable problem. SVM has a strong advantage in solving many practical problems such as small sample, high dimension, nonlinear and so on. This method plays a very important role in machine learning. Kernel function is the core of support vector machine. The performance of support vector machine is directly affected by different kernel functions. Improving the performance of kernel function has become one of the core problems in the work of support vector machine. In this paper, the support vector machine theory and kernel function theory are introduced. By studying the properties of SVM and kernel function, four common kernel functions (linear kernel function, Gao Si kernel function) are tested on different data sets. The performance of polynomial kernel function sigmoid kernel function, two or more kernel functions are selected to combine to construct a new hybrid kernel function. Then the artificial intelligence learning algorithm is used to automate the optimization of kernel weight coefficient and kernel parameter in hybrid kernel function, and the performance of hybrid kernel function SVM on different data sets is tested at the same time. The results are analyzed and compared with the data of single core test, and the results show that the hybrid kernel support vector machine is practical. At the end of the paper, the research work is summarized, and the problems that need to be studied are also put forward.
【學(xué)位授予單位】：大連海事大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 周珂;蔡潔;;SVM在阿爾茨海默型老年癡呆癥輔助診斷中的應(yīng)用[J];現(xiàn)代計算機(jī)(專業(yè)版);2012年17期

2 王蒙;傅行軍;;基于參數(shù)優(yōu)化SVM的旋轉(zhuǎn)機(jī)械故障診斷[J];江蘇電機(jī)工程;2008年01期

3 謝志強(qiáng);高麗;楊靜;;基于球結(jié)構(gòu)的完全二叉樹SVM多類分類算法[J];計算機(jī)應(yīng)用研究;2008年11期

4 孫穎;劉玉滿;龔穩(wěn);;基于SVM的多傳感器信息融合[J];長春工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2013年03期

5 焦鵬;王新政;謝鵬遠(yuǎn);;基于SVM的模擬電路故障診斷及參數(shù)優(yōu)化方法[J];計算機(jī)測量與控制;2013年08期

6 張貝貝;何中市;;基于支持向量數(shù)據(jù)描述算法的SVM多分類新方法[J];計算機(jī)應(yīng)用研究;2007年11期

7 趙天昀;;多分類SVM在企業(yè)競爭情報自動分類中的應(yīng)用[J];現(xiàn)代情報;2008年10期

8 彭磊;高峰;任立華;黃真輝;;基于SVM的混沌時間序列預(yù)測模型應(yīng)用研究[J];工程勘察;2013年09期

9 劉海松;吳杰長;陳國鈞;;克隆選擇優(yōu)化的SVM模擬電路故障診斷方法[J];電子測量與儀器學(xué)報;2010年12期

10 劉永斌;何清波;張平;孔凡讓;;基于SVM的旋轉(zhuǎn)機(jī)械故障診斷方法[J];計算機(jī)工程;2012年05期

相關(guān)會議論文 前10條

1 滕衛(wèi)平;胡波;滕舟;鐘元;;SVM回歸法在西太平洋熱帶氣旋路徑預(yù)報中的應(yīng)用研究[A];S1 災(zāi)害天氣研究與預(yù)報[C];2012年

2 王紅軍;徐小力;付瑤;;基于SVM的旋轉(zhuǎn)機(jī)械故障診斷知識獲取[A];第八屆全國設(shè)備與維修工程學(xué)術(shù)會議、第十三屆全國設(shè)備監(jiān)測與診斷學(xué)術(shù)會議論文集[C];2008年

3 陳兆基;楊宏暉;杜方鍵;;用于水下目標(biāo)識別的選擇性SVM集成算法[A];中國聲學(xué)學(xué)會水聲學(xué)分會2011年全國水聲學(xué)學(xué)術(shù)會議論文集[C];2011年

4 程麗麗;張健沛;楊靜;馬駿;;一種改進(jìn)的層次SVM多類分類方法[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

5 左南;李涓子;唐杰;;基于SVM的肖像照片抽取[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

6 寧偉;苗雪雷;胡永華;季鐸;張桂平;蔡東風(fēng);;基于SVM的無參考譯文的譯文質(zhì)量評測[A];機(jī)器翻譯研究進(jìn)展——第四屆全國機(jī)器翻譯研討會論文集[C];2008年

7 劉旭;羅鵬飛;李綱;;基于擬合角特征及SVM的雷達(dá)輻射源個體識別[A];全國第五屆信號和智能信息處理與應(yīng)用學(xué)術(shù)會議�？�(第一冊)[C];2011年

8 羅浩;謝軍龍;胡云鵬;;地源熱泵空調(diào)系統(tǒng)故障診斷中SVM的應(yīng)用[A];全國暖通空調(diào)制冷2008年學(xué)術(shù)年會資料集[C];2008年

9 劉閃電;王建東;;權(quán)重部分更新的大規(guī)模線性SVM求解器[A];2009年研究生學(xué)術(shù)交流會通信與信息技術(shù)論文集[C];2009年

10 王艦;湯光明;;基于SVM的圖像隱寫檢測分析[A];第八屆全國信息隱藏與多媒體安全學(xué)術(shù)大會湖南省計算機(jī)學(xué)會第十一屆學(xué)術(shù)年會論文集[C];2009年

相關(guān)博士學(xué)位論文 前1條

1 陳志茹;基于SVM集成學(xué)習(xí)的miRNA靶基因預(yù)測研究[D];燕山大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 楊劉;基于PCA與SVM的地力評價研究[D];中南林業(yè)科技大學(xué);2015年

2 伍岳;基于SVM的文本分類應(yīng)用研究[D];電子科技大學(xué);2014年

3 高傳嵩;基于SVM文本分類的問答系統(tǒng)的設(shè)計與實現(xiàn)[D];南京大學(xué);2014年

4 馮天嬌;基于肝臟表觀模型和優(yōu)化SVM的肝癌識別方法的研究與實現(xiàn)[D];東北大學(xué);2013年

5 姚磊;基于SVM主動學(xué)習(xí)的音樂分類[D];南京郵電大學(xué);2015年

6 毛曉東;基于多層SVM的面筋強(qiáng)度分類模型優(yōu)化研究[D];黑龍江大學(xué);2014年

7 馬琰;一種基于SVM和多源數(shù)據(jù)的金絲猴生境評價研究[D];中國林業(yè)科學(xué)研究院;2015年

8 王立達(dá);基于混合核函數(shù)的SVM及其應(yīng)用研究[D];大連海事大學(xué);2016年

9 張漢女;基于SVM的海岸線提取方法研究[D];東北師范大學(xué);2010年

10 劉軍;基于SVM的半監(jiān)督網(wǎng)絡(luò)入侵檢測系統(tǒng)[D];復(fù)旦大學(xué);2009年

，

本文編號：1917385