支持向量機(Support Vector Machine,SVM)作為數據挖掘中的新方法,是借助于優(yōu)化方法解決機器學習問題的新工具。它基于結構風險最小化原則,克服了傳統(tǒng)方法的大樣本要求,并有效地克服了維數災難及局部最小問題,SVM在模式識別、回歸估計等領域都已取得了很好的應用。核函數作為支持向量機的核心,通過將低維輸入向量映射到高維特征空間,有效地解決了非線性問題。核函數在支持向量機中占用極其重要的地位,是支持向量機理論成熟發(fā)展的關鍵。 在利用支持向量機進行分類和回歸時,如何選擇合適核函數,以及根據具體數據構造合適的核函數,選擇最優(yōu)的核參數,是獲得較好分類和逼近效果的基礎和前提�？紤]到核函數在支持向量機中的重要性,本文系統(tǒng)綜述了國內外核函數選擇、構造以及核參數選擇方法,在分析各種典型方法的特點、總結該領域研究現狀的基礎上,構建結合全局核特性以及局部核特性的線性組合核函數,選擇具有代表性的多項式核函數和RBF核函數進行線性組合建模,通過構建組合函數的核矩陣代碼嵌入現有軟件中進行直接學習,避免編程中不同程序語言的反復編譯,簡化支持向量機內部運算程序,減少運算時間。在核參數的選擇上,本文...

【文章頁數】：65 頁

【學位級別】：碩士

【部分圖文】：

因此，高斯核函數的插值能力較強，即比較善于提取樣本的局部性質，見圖（3-1）。圖3-1高斯核函數特性曲線圖此圖為2σ分別為0.1，0.2，0.3，0.4時的高斯核函數特性曲線圖，0.2為測試點，由圖可以看出在測試數據附近，核函數值比較大，隨著輸入數據與測試數據的距離增加，核函....

27函數。圖3-2多項式核函數特性曲線圖3.2.2組合核函數構造3.2.2.1組合核函數模型構造通過下面的定理：定理3.2當()rankK=n時，其中(())llijKkxx×=,是Gram矩陣，則訓練樣本在特征空間中線性可分。對于高斯核函數，當σ→....

45圖4-7高斯核函數參數選擇結果圖核函數支持向量機預測：2005M05-2010M03共58個數據；：2010M04-2011M1共10個數據；式核函數的crossgrid選優(yōu)參數為：c=2，q=3，=62.5%合核參數支持向量機預測結果單獨選優(yōu)組合：2....

本文編號：4010695