本文關(guān)鍵詞：支持向量機的特征選擇和模糊支持向量機上的研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著互聯(lián)網(wǎng)的發(fā)展及數(shù)字化時代的來臨,產(chǎn)生了越來越多的高維數(shù)據(jù)。盡管這些數(shù)據(jù)非常值得學(xué)習和研究,但維數(shù)的增加意味著要花費更多的時間去計算,并且在機器學(xué)習中,容易產(chǎn)生過擬合現(xiàn)象。在處理分類問題的過程中,特征選擇被證明可以有效的應(yīng)對高維數(shù)據(jù)。特征選擇致力于去除數(shù)據(jù)的不相關(guān)或多余特征。通過尋找原問題的一個特征子集,特征選擇可以有效地降低數(shù)據(jù)的維數(shù)。從而,在機器學(xué)習過程中,非常值得去研究如何進行特征選擇。近年來,雖然許多特征選擇方法被提出,但很少有人考慮特征之間的相關(guān)性。本文提出了一種新的特征選擇方法,以特征間的相關(guān)性作為特征選擇的依據(jù),考慮應(yīng)用單一特征等價的代替其他與之相關(guān)的特征,從而達到尋找特征子集,降低數(shù)據(jù)維數(shù)的目的。實驗結(jié)果表明,此方法在保持分類正確率的前提下,可以有效減少特征的個數(shù)。此外,由于各種客觀原因,數(shù)據(jù)中不可避免出現(xiàn)噪音數(shù)據(jù),從而給機器學(xué)習帶來困難,影響機器學(xué)習的結(jié)果。模糊支持向量機,作為傳統(tǒng)支持向量機的一種改進模型,提出了隸屬度的概念。通過賦予正常的樣本點較高的隸屬度,相反的,賦予噪音較低的隸屬度,可以有效的降低噪音對機器學(xué)習的影響。本文提出應(yīng)用將樣本點到超平面間距離與樣本點密度相結(jié)合的方法,計算模型的隸屬度。實驗結(jié)果表明,此方法可以有效提高支持向量機分類的正確率。
【關(guān)鍵詞】：支持向量機 特征選擇 模糊支持向量機 隸屬度
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP181
【目錄】：

• 摘要4-5
• Abstract5-8
• 第1章 緒論8-14
• 1.1 研究背景與意義8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-11
• 1.3 研究內(nèi)容與目標11-12
• 1.4 論文的組織結(jié)構(gòu)12-14
• 第2章 支持向量機的相關(guān)理論及常用模型14-22
• 2.1 線性支持向量機14-15
• 2.2 非線性支持向量機15-18
• 2.3 模糊支持向量機18-19
• 2.4 統(tǒng)計學(xué)習理論19-20
• 2.5 本章小結(jié)20-22
• 第3章 新的特征選擇方法22-34
• 3.1 基本思路22
• 3.2 篩選標準22-23
• 3.3 向前方法具體過程23-25
• 3.4 向后方法具體過程25-26
• 3.5 綜合闡述26-27
• 3.6 數(shù)值實驗27-32
• 3.6.1 實驗設(shè)計27-28
• 3.6.2 向前方法實驗結(jié)果28-31
• 3.6.3 向后方法實驗結(jié)果31-32
• 3.6.4 參數(shù)分析32
• 3.7 本章小結(jié)32-34
• 第4章 一種新的模糊支持向量機隸屬度的表達式34-42
• 4.1 標準模糊支持向量機34
• 4.2 隸屬度的選取34-38
• 4.2.1 線性核函數(shù)下隸屬度的選取34-36
• 4.2.2 非線性核函數(shù)下隸屬度的選取36-38
• 4.3 數(shù)值實驗38-40
• 4.3.1 實驗設(shè)計38-39
• 4.3.2 實驗結(jié)果39-40
• 4.4 本章小結(jié)40-42
• 結(jié)論42-44
• 參考文獻44-48
• 致謝48

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

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

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

3 尹傳環(huán);牟少敏;田盛豐;黃厚寬;;單類支持向量機的研究進展[J];計算機工程與應(yīng)用;2012年12期

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

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

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

7 曾嶸,蔣新華,劉建成;基于支持向量機的異常值檢測的兩種方法[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在自動語種辨識中的研究[J];計算機工程與應(yīng)用;2004年21期

9 魏玲,張文修;基于支持向量機集成的分類[J];計算機工程;2004年13期

10 沈翠華,鄧乃揚,肖瑞彥;基于支持向量機的個人信用評估[J];計算機工程與應(yīng)用;2004年23期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風險評估模型[A];第六屆（2011）中國管理學(xué)年會——商務(wù)智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學(xué)會2005年信息技術(shù)與信息化研討會論文集（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學(xué)習方法[A];全國第19屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集（下冊）[C];2008年

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

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長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方法預(yù)測膜蛋白類型[A];第十一次中國生物物理學(xué)術(shù)大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會議論文集[C];2003年

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

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

10 侯澍e，

本文編號：301040