基于信息几何的FSVM理论及算法研究

基于信息几何的FSVM理论及算法研究

论文摘要

支持向量机(SVM)是在统计学习理论上发展起来的一种机器学习方法。由于较好的解决了小样本、非线性、高维数、局部极小值等问题以及具有良好的推广能力,SVM已经成为机器学习领域的一个研究热点。但传统的支持向量机对样本中的噪声和孤立点非常敏感,为了克服这个问题,提出了模糊支持向量机(FSVM)理论。在模糊支持向量机中如何构造合适的隶属度函数成为FSVM首要解决的问题。另外,如何从几何角度改进FSVM也已成为当今研究FSVM的又一个热点。本文详细论述了支持向量机理论、算法和性质,并通过构造合适的隶属度函数、核函数以及改进FSVM的几何结构,实现了对FSVM理论和算法的改进和完善。在对该课题进行深入研究后,主要做了如下创新性的工作:(1)用从信息几何角度构造的动态核函数表示样本点和类中心的距离以及样本间的密切度,即把核方法的思想引入到距离和密切度的表示中;(2)将基于类中心和密切度的模糊分类和回归隶属度函数分别进行组合,提出了基于类中心和密切度的乘积组合分类和回归隶属度函数,它们不仅考虑了样本点和类中心的距离,还考虑了样本间的密切度;(3)从几何角度改进L-1范数FSVR的惩罚项,提出了L-2范数FSVR,仿真实验结果显示它比SVR和L-1范数FSVR具有更好的回归精度;(4)提出了基于信息几何的模糊支持向量分类机和模糊支持向量回归机算法,并把基于信息几何的模糊支持向量分类机算法应用于图像边缘检测。

论文目录

  • 摘要
  • Abstract
  • 目录
  • 第一章 绪论
  • 1.1 研究背景
  • 1.1.1 支持向量机理论研究背景
  • 1.1.2 模糊支持向量机理论研究背景
  • 1.1.3 信息几何理论研究背景
  • 1.2 研究现状
  • 1.2.1 FSVM 理论研究现状
  • 1.2.2 信息几何理论研究现状
  • 1.3 研究内容
  • 1.4 主要创新点
  • 1.5 论文组织结构
  • 第二章 支持向量机理论介绍
  • 2.1 机器学习的基本理论
  • 2.1.1 机器学习问题的表示
  • 2.1.2 经验风险最小化(ERM)原则
  • 2.1.3 复杂性与推广能力
  • 2.2 统计学习理论
  • 2.2.1 学习过程一致性的条件
  • 2.2.2 函数集的VC 维
  • 2.2.3 推广能力的界
  • 2.2.4 结构风险最小化(SRM)原则
  • 2.3 最优化理论
  • 2.3.1 KKT 条件
  • 2.3.2 Wolfe 对偶
  • 2.4 支持向量分类机(SVC)
  • 2.4.1 SVC 算法
  • 2.4.2 SVC 性质
  • 2.5 支持向量回归机(SVR)
  • 2.5.1 SVR 算法
  • 2.5.2 SVR 性质
  • 2.6 SVM 的特点及其体现的思想方法
  • 2.6.1 SVM 的特点
  • 2.6.2 SVM 体现的思想方法
  • 2.7 本章小结
  • 第三章 以信息几何构造动态核函数
  • 3.1 核函数定义及其性质
  • 3.1.1 核函数的定义和Mercer 定理
  • 3.1.2 核函数的性质
  • 3.1.3 几种常见的核函数
  • 3.2 信息几何理论
  • 3.2.1 微分流形和黎曼流形
  • 3.2.2 黎曼度量
  • 3.3 基于信息几何的动态核函数构造
  • 3.4 本章小结
  • 第四章 乘积组合隶属度函数构造
  • 4.1 几种常见的隶属度函数
  • 4.2 模糊支持向量分类机的隶属度函数
  • 4.2.1 基于类中心的分类隶属度函数
  • 4.2.2 基于密切度的分类隶属度函数
  • 4.2.3 乘积组合分类隶属度函数
  • 4.3 模糊支持向量回归机的隶属度函数
  • 4.3.1 基于类中心的回归隶属度函数
  • 4.3.2 基于密切度的回归隶属度函数
  • 4.3.3 乘积组合回归隶属度函数
  • 4.4 本章小结
  • 第五章 基于信息几何的FSVM
  • 5.1 模糊支持向量分类机(FSVC)
  • 5.1.1 基于信息几何的FSVC 算法
  • 5.1.2 基于信息几何的FSVC 实际数据仿真实验
  • 5.1.3 基于信息几何的FSVC 算法图像边缘检测
  • 5.2 模糊支持向量回归机(FSVR)
  • 5.2.1 L-1 范数FSVR
  • 5.2.2 L-2 范数FSVR
  • 5.2.3 基于信息几何的FSVR 算法
  • 5.2.4 基于信息几何的FSVR 仿真实验
  • 5.3 本章小结
  • 第六章 总结与展望
  • 6.1 总结
  • 6.2 展望
  • 致谢
  • 参考文献
  • 攻读学位期间发表的论文
  • 相关论文文献

    • [1].基于FSVM的图像边缘检测[J]. 电子测试 2013(09)
    • [2].基于组合隶属度FSVM的图像边缘检测[J]. 南京邮电大学学报(自然科学版) 2011(06)
    • [3].一种改进的FSVM语音情感识别算法[J]. 重庆科技学院学报(自然科学版) 2012(05)
    • [4].基于小波和FSVM的笔迹鉴定算法研究[J]. 新课程学习(下) 2014(07)
    • [5].基于2DLDA与FSVM的人耳识别[J]. 科学技术与工程 2012(12)
    • [6].基于紧密度FSVM新算法及在故障检测中的应用[J]. 振动工程学报 2009(04)
    • [7].基于奇异值分解和FSVM的声发射信号识别[J]. 自动化与仪器仪表 2017(05)
    • [8].基于改进FSVM的数据挖掘分类算法[J]. 兰州理工大学学报 2016(02)
    • [9].基于投影的FSVM算法及其在文本分类上的应用[J]. 科技通报 2013(08)
    • [10].基于FSVM时域背景预测的红外弱小目标检测[J]. 光电工程 2010(09)
    • [11].基于MVR隶属度的多级FSVM语音情感识别[J]. 重庆理工大学学报(自然科学) 2012(10)
    • [12].基于FSVM的周宁县地质灾害易发性评价研究[J]. 西北林学院学报 2011(04)
    • [13].基于DBSCAN与FSVM的半导体生产线成品率预测方法[J]. 计算机集成制造系统 2016(11)
    • [14].联合EMD和FSVM的非平稳时间序列预测[J]. 计算机科学 2014(S2)
    • [15].结合FSVM和KNN的人脸表情识别[J]. 微电子学与计算机 2013(10)
    • [16].基于视觉注意和改进隶属度的FSVM彩色图像分割[J]. 计算机系统应用 2017(01)
    • [17].粗糙集和FSVM结合的雷达信号识别法[J]. 火力与指挥控制 2010(06)
    • [18].基于SMO的层次型1-FSVM算法[J]. 计算机工程 2010(19)
    • [19].一种基于双隶属度FSVM的网络入侵检测方法[J]. 电子设计工程 2020(22)
    • [20].基于FSVM的二维经验模态分解域图像去噪[J]. 微型电脑应用 2015(12)
    • [21].基于广义高斯分布FDCT_Wrap和FSVM的虹膜识别[J]. 电信科学 2016(07)
    • [22].基于FSVM脱机手写体汉字分类识别研究[J]. 计算机工程与应用 2014(23)
    • [23].基于改进FSVM的旋转机械故障诊断算法[J]. 北京工业大学学报 2015(11)
    • [24].基于FSVM的起重机臂筒焊接变形测量研究[J]. 振动.测试与诊断 2018(06)
    • [25].基于特征加权FSVM的锌液净化除铜工况评估[J]. 信息与控制 2014(03)
    • [26].基于FSVM的图像多类分类方法[J]. 沈阳航空航天大学学报 2012(04)
    • [27].用于FSVM抑噪的统计型模糊权重函数[J]. 华中科技大学学报(自然科学版) 2012(12)
    • [28].基于信息熵距和FSVM隶属度的转子振动状态评估方法[J]. 推进技术 2013(11)
    • [29].基于FSVM光伏系统最大功率跟踪算法及仿真研究[J]. 微型机与应用 2009(19)
    • [30].DSP和非平衡FSVM在陀螺仪故障诊断中的应用[J]. 沈阳理工大学学报 2015(01)

    标签:;  ;  ;  ;  

    基于信息几何的FSVM理论及算法研究
    下载Doc文档

    猜你喜欢