支持向量机及其在多属性决策中的应用

论文摘要

在20世纪90年代中期,Vladimir N.Vapnik及其研究小组在统计学习理论的基础上提出了一种新的学习技术——支持向量机,它具有较为完备的理论基础和较好的学习性能,成为继神经网络研究之后新的研究热点并在实际问题中得到成功的应用。目前统计学习理论正处于一个向实际应用推广的阶段,支持向量机需要进一步完善和改进,以满足实际应用的需要,从支持向量机理论、方法和应用相结合的角度,本文选取支持向量机及其在多属性决策中的应用加以研究,主要工作如下:首先介绍了论文的背景知识,研究了支持向量机的理论,在此基础上,针对样本中存在异常点和噪声点问题,研究了模糊支持向量机,并针对隶属度设计问题,根据支持向量机超平面分类原理,提出了基于类平面的隶属度设计方法,通过在人工数据和真实数据上进行数值实验,表明该方法是可行而且有效的;然后研究了基于支持向量机的多属性决策方法,针对区间数多属性决策问题,采用区间数定量化的方法,将其转化为一般多属性决策问题,利用正负理想点及中点构造学习样本,使用多属性决策的支持向量机方法加以解决,具体数值实验表明该方法能建立更有效的效用函数,实现决策的智能化;最后对全文进行总结,指出有待进一步研究的方向。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 机器学习
• 1.2 统计学习理论
• 1.3 国内外研究情况
• 1.4 本文的主要工作
• 第二章 支持向量机
• 2.1 支持向量机分类算法
• 2.2 支持向量机回归算法
• 2.3 支持向量机的原理和特点
• 第三章 模糊支持向量机
• 3.1 引言
• 3.2 模糊支持向量机
• 3.3 隶属度的设计
• 3.4 算法步骤
• 3.5 数值实验
• 3.6 本章小结
• 第四章 基于支持向量机的多属性决策方法
• 4.1 引言
• 4.2 多属性决策的理论和方法
• 4.3 基于支持向量机的多属性决策方法
• 4.4 基于支持向量机的区间数多属性决策方法
• 4.5 算例
• 4.6 本章小结
• 结束语
• 致谢
• 参考文献
• 在读期间的主要研究成果