基于遗传算法的小波支持向量机模型及其应用

论文摘要

当前研究癫痫电脑方法很多,而支持向量机凭着其较佳的性能成为其中的后起之秀。支持向量机是一种新型的机器学习方法。它是机器学习领域若干标准技术的集大成者。它集成了最大间隔超平面、Mercer核、凸二次规划、稀疏解和松弛变量等多项技术。最小二乘小波支持向量机是支持向量机的改进,它将最小二乘法、小波核函数和支持向量机有机结合了起来,不但提高了求解问题的速度和收敛精度,还提高了泛化能力,具有优于标准支持向量机的性能。但是在应用上,仍然存在着选择模型参数的问题。最小二乘小波支持向量机的参数要比标准支持向量机为多,而其参数对其性能影响很大,因此参数的选取十分重要。目前,也无统一的参数选取标准和理论。本文的主要内容如下:1.首先从原理、数学模型及构造等几个方面对支持向量机进行了研究,同时分析研究了遗传算法的基本原理、性能特点和操作方法,提出了将两者结合的可能性。2.专门设计合适的遗传算法,利用其优化最小二乘小波支持向量机的参数,这样就构成了遗传最小二乘小波支持向量机分类器。再通过两个实验来验证其有效性。3.最后将遗传最小二乘支持向量机分类器应用到癫痫患者和正常人的脑电分类中去,进行仿真实验,达到很好的分类效果。本文针对最小二乘小波支持向量机在参数选取方面的不足,提出了遗传最小二乘支持小波向量机。仿真实验表明,其具有比神经网络和最小二乘支持向量机优秀的性能,更加适合于工程上的应用。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 癫痫研究现状
• 1.2 支持向量机研究现状及存在问题
• 1.3 本文的研究内容与结构安排
• 第2章 支持向量机的基本理论
• 2.1 支持向量机原理
• 2.2 传统支持向量机
• 2.3 最小二乘支持向量机
• 2.4 最小二乘小波支持向量机
• 2.5 最小二乘小波支持向量分类机
• 2.6 本章小结
• 第3章 遗传算法及其实现
• 3.1 遗传算法的产生与发展
• 3.2 遗传算法的特点
• 3.3 遗传算法的基本流程
• 3.4 遗传算法的基本实现技术
• 3.5 本章小结
• 第4章 遗传最小二乘小波支持向量机
• 4.1 构造遗传最小二乘小波支持向量机
• 4.2 遗传最小二乘小波支持向量机的性能
• 4.2.1 方形分类问题
• 4.2.2 双螺旋分类问题
• 4.3 本章小结
• 第5章 基于遗传最小二乘小波支持向量机的癫痫脑电识别
• 5.1 脑电数据的采集
• 5.2 脑电特征的提取
• 5.3 遗传最小二乘小波支持向量机分类脑电实验
• 第6章 结论
• 6.1 本文工作的总结
• 6.2 本文研究工作的思考与展望
• 参考文献
• 攻读学位期间发表的论文
• 致谢
• 个人简介