本文關(guān)鍵詞：局部支持向量機(jī)的研究及其在分類中的應(yīng)用

  更多相關(guān)文章： 局部支持向量機(jī) k最近鄰 聚類 鄰域核函數(shù) 分類

【摘要】：支持向量機(jī)(SVM)是基于統(tǒng)計(jì)學(xué)習(xí)理論提出的一種有監(jiān)督的機(jī)器學(xué)習(xí)算法。其使用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,在解決小樣本問題中具有諸多優(yōu)勢(shì)。支持向量機(jī)借助于核函數(shù)能夠有效解決非線性可分和維數(shù)災(zāi)難問題。但支持向量機(jī)的全局化思想并不蘊(yùn)含一致性且不能夠有效處理非凸數(shù)據(jù)集。通過引入局部學(xué)習(xí)算法提出的局部支持向量機(jī)能夠充分利用樣本的局部信息,并且滿足算法的一致性要求。本文主要對(duì)局部支持向量機(jī)(SVM-KNN)進(jìn)行研究,針對(duì)局部支持向量機(jī)在分類中存在的問題提出了幾種改進(jìn)思路。論文的主要研究工作如下:(1)提出了一種基于聚類的快速局部支持向量機(jī)算法,該算法相比于局部支持向量機(jī)算法具有較高的分類精度和效率。針對(duì)局部支持向量機(jī)分類效率較低的問題,改進(jìn)局部支持向量機(jī)選取待分類樣本k個(gè)近鄰樣本的效率,提出了快速局部支持向量機(jī)算法(FKNN-SVM)。為驗(yàn)證FKN N-SVM算法對(duì)分類效率的影響,本文使用FKNN-SVM、SVM-KNN和SVM三種算法在玉米圖像上進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明FKNN-SVM算法在分類效率上優(yōu)于SV M-KNN算法。為進(jìn)一步提高FKNN-SVM算法的分類效率和精度,將聚類算法與FKNN-SVM算法進(jìn)行結(jié)合,提出了基于聚類的快速局部支持向量機(jī)算法(CFKNN-SVM)。使用UCI數(shù)據(jù)集和樹皮圖像數(shù)據(jù)集進(jìn)行驗(yàn)證,結(jié)果表明CFKNN-SVM算法的分類精度和效率優(yōu)于FKNN-SVM和SVM-KNN算法。(2)提出了一種適用于不平衡數(shù)據(jù)的局部支持向量機(jī)算法,該算法能夠提高正類樣本的分類精度。不平衡數(shù)據(jù)存在于入侵檢測(cè)、醫(yī)療檢測(cè)等領(lǐng)域。在不平衡數(shù)據(jù)集的分類問題中,數(shù)據(jù)量少的正類往往具有更重要的價(jià)值。本文通過在局部支持向量機(jī)的基礎(chǔ)上引入聚類算法,提出了適用于不平衡數(shù)據(jù)的局部支持向量機(jī)算法(CLSVM)。該算法在盡量保持原始樣本信息的前提下,借助于聚類算法解決待分類樣本k個(gè)近鄰樣本的同態(tài)不平衡問題,從而提高正類樣本的分類準(zhǔn)確率。使用UCI數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn),結(jié)果表明,CLSVM算法能夠提高正類樣本的分類準(zhǔn)確率。(3)提出了一種基于鄰域核函數(shù)的局部支持向量機(jī),該算法能夠直接利用非結(jié)構(gòu)化圖像數(shù)據(jù)構(gòu)建分類模型。圖像分類一直是機(jī)器學(xué)習(xí)研究的熱點(diǎn),而局部支持向量機(jī)無法直接利用圖像等非結(jié)構(gòu)化信息進(jìn)行分類。本文將鄰域核函數(shù)引入到局部支持向量機(jī)中,提出了基于鄰域核函數(shù)的局部支持向量機(jī)(Neighborhood-LSVM)。Neighborhood-LSVM算法能夠直接利用圖像像素點(diǎn)的鄰域變化信息構(gòu)建分類模型。本文在樹皮圖像數(shù)據(jù)集上進(jìn)行分類實(shí)驗(yàn)驗(yàn)證,實(shí)驗(yàn)結(jié)果表明Neighborhood-LSVM算法在圖像分類上的準(zhǔn)確率高于SVMKNN和SVM。
【學(xué)位授予單位】：山東農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP181

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 吳娟;范玉妹;王麗;;關(guān)于改進(jìn)的支持向量機(jī)的研究[J];攀枝花學(xué)院學(xué)報(bào);2006年05期

2 劉碩明;劉佳;楊海濱;;一種新的多類支持向量機(jī)算法[J];計(jì)算機(jī)應(yīng)用;2008年S2期

3 尹傳環(huán);牟少敏;田盛豐;黃厚寬;;單類支持向量機(jī)的研究進(jìn)展[J];計(jì)算機(jī)工程與應(yīng)用;2012年12期

4 王云英;閻滿富;;C-支持向量機(jī)及其改進(jìn)[J];唐山師范學(xué)院學(xué)報(bào);2012年05期

5 李逢煥;;試述不確定支持向量機(jī)應(yīng)用分析及改進(jìn)思路[J];中國(guó)證券期貨;2012年12期

6 邵惠鶴;支持向量機(jī)理論及其應(yīng)用[J];自動(dòng)化博覽;2003年S1期

7 曾嶸,蔣新華,劉建成;基于支持向量機(jī)的異常值檢測(cè)的兩種方法[J];信息技術(shù);2004年05期

8 張凡,賀蘇寧;模糊判決支持向量機(jī)在自動(dòng)語種辨識(shí)中的研究[J];計(jì)算機(jī)工程與應(yīng)用;2004年21期

9 魏玲,張文修;基于支持向量機(jī)集成的分類[J];計(jì)算機(jī)工程;2004年13期

10 沈翠華,鄧乃揚(yáng),肖瑞彥;基于支持向量機(jī)的個(gè)人信用評(píng)估[J];計(jì)算機(jī)工程與應(yīng)用;2004年23期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 余樂安;姚瀟;;基于中心化支持向量機(jī)的信用風(fēng)險(xiǎn)評(píng)估模型[A];第六屆（2011）中國(guó)管理學(xué)年會(huì)——商務(wù)智能分會(huì)場(chǎng)論文集[C];2011年

2 劉希玉;徐志敏;段會(huì)川;;基于支持向量機(jī)的創(chuàng)新分類器[A];山東省計(jì)算機(jī)學(xué)會(huì)2005年信息技術(shù)與信息化研討會(huì)論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機(jī)學(xué)習(xí)方法[A];全國(guó)第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機(jī)的系統(tǒng)辨識(shí)方法研究及應(yīng)用[A];中國(guó)力學(xué)大會(huì)——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機(jī)方法的衢州降雪模型[A];第五屆長(zhǎng)三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機(jī)方法預(yù)測(cè)膜蛋白類型[A];第十一次中國(guó)生物物理學(xué)術(shù)大會(huì)暨第九屆全國(guó)會(huì)員代表大會(huì)摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機(jī)綜述[A];全國(guó)第十五屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學(xué)與支持向量機(jī)[A];2005年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機(jī)算法[A];2006中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

10 侯澍e，

本文編號(hào)：1230999