自调节模糊判决支持向量机的理论与应用

自调节模糊判决支持向量机的理论与应用

论文摘要

支持向量机(Support Vector Machine,以下称SVM)是在统计学习理论的基础上发展起来的新一代学习算法,有着通用的前馈网络结构。它在文本分类、手写识别、图像分类、生物信息学等领域都获得了较好的应用。尤其是近年来,在对实际数据的分类研究中,SVM作为一种新型的有效方法受到了广泛的关注。同时也吸引了国内外学者对它在分类问题中的原理和应用进行了深入研究。本文中,我们也同样着眼于利用SVM的良好特性解决现实世界中的数据分类问题。在实际的分类问题中,数据集在数据空间通常并不是理想化的,因此在分类器的设计中,主要存在两类潜在的影响。第一,在实际分类数据的不同类别间,往往存在着相互作用和各种不同的噪声。受其影响,分类数据中往往会出现偏差和混叠的现象,尤其在理论分界面的周围,这种现象更加明显。换句话说,由于分类问题中不同类别的相互影响以及噪声的存在,本来应该清晰的分界超平面在实际数据中往往表现为一个不易划分的灰色地带。正是由于这一灰色地带的存在,数据的正确分类变得更加困难,同时如何设计分类器以获得最佳分类效果也成为我们重要的研究课题。第二,在实际应用中,数据的不均衡问题也普遍存在。此处,不均衡指的是在分类问题中,一类数据的数据点个数远远大于另一类数据点的现象。产生这一现象的原因是由于在现实生活中,一类事件发生的频率往往远远大于与它相反的事件所发生的频率。在传统的SVM模型中,这种不均衡的情况会导致分界线的偏移。为了减少实际数据中类别间相互作用以及噪声的影响,同时克服数据不均衡所导致的分界面偏移,我们提出了一个改进的模型即自调节模糊判决支持向量机。与传统支持向量机分类模型不同的是,在新的模型中我们引入了模糊理论来构建分界面。在分类过程中的预测层,我们采用模糊判决函数替代了传统的符号函数。另外在分类预测的过程中,通过计算支持向量的判决值,采用加权调和均值的方法计算得到一个准确的偏移量参数。通过对这一偏移量参数的引入,分界面得以修正至最优的位置。由于我们所提出的分类模型能够很好的自调节地描述现实数据的特性,因此一些在传统方法中被错分的测试样点能够重新得到正确的分类。在仿真实验中,分别将所提出的自调节模糊判决支持向量机分类器应用于心脏病检测和内燃机检测,均取得了良好的分类特性和鲁棒性。

论文目录

  • 摘要
  • Abstract
  • 1 绪论
  • 1.1 分类器设计中存在的问题
  • 1.2 本论文中所提出的方法
  • 2 支持向量机(SVM)
  • 2.1 引言
  • 2.2 支持向量机的统计学理论基础
  • 2.2.1 Vapnik Chervonenkis理论
  • 2.2.2 VC维度
  • 2.2.3 结构风险最小化
  • 2.3 支持向量机的数学推导
  • 2.3.1 分类问题的数学描述
  • 2.3.2 支持向量机的数学描述
  • 2.4 分类问题中的SVM
  • 2.4.1 分两类问题的描述
  • 2.4.2 SVM分类器的构造
  • 2.5 回归问题中的SVM
  • 2.5.1 基本想法
  • 2.5.2 ε-SVR
  • 3 自调整模糊判决支持向量机
  • 3.1 引言
  • 3.2 自调整模糊判决过程
  • 3.3 SVM判决值的计算
  • 3.4 加权调和均值偏移量函数
  • 3.4.1 加权调和均值偏移量的引入
  • 3.4.2 权值的确定
  • 3.5 自调整模糊判决函数
  • 3.5.1 自调整模糊判决函数
  • 3.5.2 自调整参数的估计
  • 4 仿真结果与讨论
  • 4.1 仿真1: 心脏病检测问题
  • 4.1.1 问题描述
  • 4.1.2 加权调和均值偏移量的结果
  • 4.2 仿真2: 内燃机打火检测问题
  • 4.2.1 问题描述
  • 4.2.2 引入加权调和均值偏移量的分类结果
  • 4.2.3 自调整模糊判决SVM的参数估计
  • 4.2.4 自调整模糊判决SVM的分类结果
  • 4.3 对分类仿真结果的讨论
  • 结论与展望
  • 参考文献
  • 攻读硕士学位期间发表学术论文情况
  • 致谢
  • 相关论文文献

    • [1].基于人工鱼群算法的孪生支持向量机[J]. 智能系统学报 2019(06)
    • [2].基于改进支持向量机的温室大棚温度预测[J]. 科技创新与应用 2020(10)
    • [3].结构化支持向量机研究综述[J]. 计算机工程与应用 2020(17)
    • [4].支持向量机理论及应用[J]. 科学技术创新 2019(02)
    • [5].加权间隔结构化支持向量机目标跟踪算法[J]. 中国图象图形学报 2017(09)
    • [6].多分类孪生支持向量机研究进展[J]. 软件学报 2018(01)
    • [7].模糊型支持向量机及其在入侵检测中的应用[J]. 科技创新与应用 2018(11)
    • [8].从支持向量机到非平行支持向量机[J]. 运筹学学报 2018(02)
    • [9].支持向量机的基本理论和研究进展[J]. 长江大学学报(自科版) 2018(17)
    • [10].孪生支持向量机综述[J]. 计算机科学 2018(11)
    • [11].一种新的基于类内不平衡数据学习支持向量机算法[J]. 科技通报 2017(09)
    • [12].分段熵光滑支持向量机性能研究[J]. 计算机工程与设计 2015(08)
    • [13].有向无环图-双支持向量机的多类分类方法[J]. 计算机应用与软件 2015(11)
    • [14].基于支持向量机的股票价格预测模型研究与应用[J]. 课程教育研究 2016(28)
    • [15].灰狼优化的混合参数多分类孪生支持向量机[J]. 计算机科学与探索 2020(04)
    • [16].基于属性约简—光滑支持向量机的中小企业信息化评价研究[J]. 软件工程 2020(07)
    • [17].基于稀疏孪生支持向量机的人脸识别[J]. 信息技术 2020(07)
    • [18].基于总类内分布的松弛约束双支持向量机[J]. 济南大学学报(自然科学版) 2018(04)
    • [19].基于多分类支持向量机的评估模型研究[J]. 数学的实践与认识 2017(01)
    • [20].改进的支持向量机在微博热点话题预测中的应用[J]. 现代情报 2017(03)
    • [21].多核在线支持向量机算法研究及应用[J]. 宜宾学院学报 2017(06)
    • [22].基于改进遗传算法的支持向量机参数优化方法[J]. 计算机与现代化 2015(03)
    • [23].一种层次粒度支持向量机算法[J]. 小型微型计算机系统 2015(08)
    • [24].自训练半监督加权球结构支持向量机多分类方法[J]. 重庆邮电大学学报(自然科学版) 2014(03)
    • [25].四类基于支持向量机的多类分类器的性能比较[J]. 聊城大学学报(自然科学版) 2014(03)
    • [26].一种模糊加权的孪生支持向量机算法[J]. 计算机工程与应用 2013(04)
    • [27].一种采用粗糙集和遗传算法的支持向量机[J]. 山西师范大学学报(自然科学版) 2013(01)
    • [28].基于在线支持向量机的无人机航路规划技术[J]. 电光与控制 2013(05)
    • [29].贪婪支持向量机的分析及应用[J]. 计算机工程与应用 2012(24)
    • [30].一种改进的双支持向量机[J]. 辽宁石油化工大学学报 2012(04)

    标签:;  ;  ;  ;  

    自调节模糊判决支持向量机的理论与应用
    下载Doc文档

    猜你喜欢