支持向量机的快速分类方法研究

论文摘要

支持向量机是Vapnik等人提出的一类新型机器学习方法,它是基于统计学习理论,借助最优化方法来解决机器学习问题的新工具,支持向量机目前还存在许多局限性,研究有待进一步探索和完善。本文以统计学习理论（Statistic Learning Theory-SLT）和支持向量机（Support Vector Machine-SVM）为基础,开展了以下研究工作：首先,对统计学习理论和支持向量机分类器进行了全面的总结和概括。其次,总结了现有的几种有代表性的多类支持向量机方法,这些方法包括：一对多（one-against-all）、一对一（one-against-one）、有向无环图支持向量机（DAG-SVMs）、决策树分类和全局优化分类（MSVM）;还介绍了两种模糊多类支持向量机方法。第三,总结了适合于求解大型问题的训练算法：选块算法（Chuncking）,分解算法（Decomposing）和序列最小最优化算法（Sequential Minimal Optimization-SMO）等,这些都是专门针对支持向量机设计的快速算法。提出了一种改进的模糊多类支持向量机方法,它是在全局优化分类（MSVM）的基础上,引入模糊隶属函数；然后利用改进的序列最小最优化算法求解模糊多类支持向量机,实验结果显示运行时间减少了,方法是可行的和有效的。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的目的和意义
• 1.2 本课题的国内外发展现状
• 1.3 本课题研究的主要内容
• 第2章 统计学习理论和支持向量机方法
• 2.1 引言
• 2.2 机器学习的基本知识
• 2.3 统计学习理论的简要介绍
• 2.4 支持向量机
• 2.5 小结
• 第3章 多类支持向量机
• 3.1 多类支持向量机
• 3.2 模糊支持向量机
• 3.3 小结
• 第4章 快速支持向量机学习算法
• 4.1 引言
• 4.2 SMO及改进的SMO
• 4.3 改进的模糊多类支持向量机的快速算法
• 4.4 小结
• 第5章 结论与展望
• 参考文献
• 攻读硕士学位期间科研工作情况
• 致谢