支持向量機作為一種發(fā)展成熟的機器學習算法,已在各領(lǐng)域得到廣泛應(yīng)用,但核參數(shù)的選擇一直是影響支持向量機算法效果的核心問題.因為計算時間復雜度低且表現(xiàn)效果良好,獨立于支持向量機的核學習準則在近年來廣受青睞.本文介紹了兩種典型的核學習準則,即基于核對齊思想的中心化核排列(Centered Kernel Target Alignment,CKTA)和基于聚類思想的核余弦相似度(Cosine Similarity of Kernel,CSK),并分別對它們進行了改進.針對CKTA將正常樣本點和離群點同等對待,可能會影響樣本在特征空間中的可分性,提出通過訓練集對應(yīng)的近鄰矩陣中同類樣本的比例來重構(gòu)理想核矩陣,得到了新的局部中心化核排列(New Local Centered Kernel Target Alignment,NLCKTA),并基于最大化NLCKTA的取值推導出了其對應(yīng)的多核學習方法.針對CSK取值不具有理論上的非負性而不易推廣到多核學習的問題,通過將其同類平均余弦相似度拆分為正類平均余弦相似度和負類平均余弦相似度得到了新的核余弦相似度(New Cosine Similarity of K... 

【文章來源】：華東師范大學上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 選題背景及研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文的研究內(nèi)容
    1.4 本文的組織框架
第二章 預備知識
    2.1 核函數(shù)概念及性質(zhì)
    2.2 支持向量機理論
    2.3 支持向量機分類的理論背景
    2.4 本章小結(jié)
第三章 新的核學習方法
    3.1 常用核函數(shù)
    3.2 核參數(shù)對高斯核與多項式核的影響
    3.3 基于核對齊思想的原始核學習方法中心化核排列
    3.4 基于核對齊思想的改進的核學習方法
    3.5 基于聚類思想的原始核學習方法核余弦相似度
    3.6 基于聚類思想的改進的核學習方法
    3.7 計算復雜度分析
    3.8 本章小結(jié)
第四章 數(shù)值仿真實驗
    4.1 實驗設(shè)置
    4.2 單核學習實驗
    4.3 多核學習實驗
    4.4 本章小結(jié)
第五章 總結(jié)與展望
參考文獻
致謝


【參考文獻】：
期刊論文
[1]基于圖論的支持向量機核函數(shù)選擇[J]. 梁禮明,陳明理,劉博文,吳健.  計算機工程與設(shè)計. 2019(05)
[2]基于ADEGWO-SVM的機載燃油泵壽命預測研究[J]. 焦曉璇,景博,李娟,孫萌,王赟.  儀器儀表學報. 2018(08)
[3]核極化優(yōu)化多參數(shù)高斯核的特征選擇算法[J]. 張文興,陳肖潔.  機械設(shè)計與制造. 2018(05)
[4]普適性核度量標準比較研究[J]. 王裴巖,蔡東風.  軟件學報. 2015(11)
[5]高斯核函數(shù)選擇的廣義核極化準則[J]. 田萌,王文劍.  計算機研究與發(fā)展. 2015(08)
[6]支持向量機核函數(shù)選擇研究與仿真[J]. 梁禮明,鐘震,陳召陽.  計算機工程與科學. 2015(06)
[7]基于統(tǒng)計檢驗的核函數(shù)度量方法研究[J]. 王裴巖,蔡東風.  計算機科學. 2015(04)
[8]基于混合核函數(shù)FOA-LSSVM的預測模型[J]. 周金明,王傳玉,何幫強.  計算機工程與應(yīng)用. 2015(04)
[9]多尺度核方法的自適應(yīng)序列學習及應(yīng)用[J]. 汪洪橋,蔡艷寧,孫富春,趙宗濤.  模式識別與人工智能. 2011(01)
[10]基于蟻群優(yōu)化算法的支持向量機參數(shù)選擇及仿真[J]. 劉春波,王鮮芳,潘豐.  中南大學學報(自然科學版). 2008(06)



本文編號：2925275