發(fā)布時間：2021-04-30 09:33

　　支持向量機是機器學習中使用最為廣泛的算法之一,它最初由Vapnik在20世紀90年代提出,伴隨著機器學習和數(shù)據(jù)挖掘的飛速發(fā)展,支持向量機賦予了分類問題和回歸問題新的意義,吸引了越來越多的學者的關注和研究,它被廣泛用于圖像處理、語音識別和自然語言處理等方面.傳統(tǒng)的支持向量機是通過最大間隔的原則尋找單一的決策超平面達到分類的目的,然而其推廣性受到單一超平面的限制,對于交叉性數(shù)據(jù)以及其他數(shù)據(jù)的分類性不強.隨著雙子支持向量機以及非平行支持向量機的提出,通過對每類樣本點分別構(gòu)造相應的非平行決策超平面,使得其推廣性和適應性更強.在大數(shù)據(jù)時代背景之下,伴隨著數(shù)據(jù)類型的多樣性以及特殊性,數(shù)據(jù)的規(guī)模也隨之增大,對于數(shù)據(jù)分類的模型構(gòu)建的要求也在提高.本文從優(yōu)化問題的角度以及多視角分類的方面進行研究,建立了新的非平行支持向量機分類模型及算法并通過數(shù)值實驗說明了其有效性.本文結(jié)構(gòu)安排如下:第一章主要介紹本文的研究背景及意義、研究現(xiàn)狀以及本文的主要工作.第二章基于非平行支持向量機提出了一類新的分類算法.研究基于優(yōu)化問題的l1-v-非平行支持向量機,通過構(gòu)建新的優(yōu)化問題分類模型使得該算法擁有了較好的解決不平衡分類... 

【文章來源】：曲阜師范大學山東省

【文章頁數(shù)】：46 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
    1.3 本文的主要工作
第二章 基于優(yōu)化問題的l_1-v-非平行支持向量機
    2.1 基于優(yōu)化問題的非平行支持向量機
    2.2 基于優(yōu)化問題的l_1-v-非平行支持向量機
        2.2.1 線性情形
        2.2.2 參數(shù)v的意義
        2.2.3 非線性情形
    2.3 數(shù)值實驗
    2.4 本章小結(jié)
第三章 多視角雙子邊界支持向量機
    3.1 多視角雙子支持向量機
    3.2 多視角雙子邊界支持向量機
        3.2.1 線性情形
        3.2.2 非線性情形
    3.3 數(shù)值實驗
    3.4 本章小結(jié)
第四章 總結(jié)與展望
參考文獻
作者在攻讀碩士期間發(fā)表與待發(fā)表的論文
致謝


【參考文獻】：
期刊論文
[1]從支持向量機到非平行支持向量機[J]. 邵元海,楊凱麗,劉明增,王震,李春娜,陳偉杰.  運籌學學報. 2018(02)
[2]多視角學習綜述[J]. 唐靜靜,田英杰.  數(shù)學建模及其應用. 2017(03)
[3]基于支持向量機的人臉識別技術研究[J]. 于真.  計算機仿真. 2011(12)
[4]基于支持向量機的說話人辨認研究[J]. 侯風雷,王炳錫.  通信學報. 2002(06)



本文編號：3169276