支持向量機對分類問題的有效解決能力,吸引力了大量科研工作者的關(guān)注.對支持向量分類器模型的應(yīng)用改進,成為了新的研究方向和關(guān)注領(lǐng)域.由于分類問題樣本數(shù)據(jù)集存在線性不可分和多分類的特點,通過核技巧解決樣本空間線性不可分的問題,又使得支持向量模型在參數(shù)選取中產(chǎn)生較大的困難.核函數(shù)和對應(yīng)參數(shù)的選擇決定了支持向量機分類性能.本文主要內(nèi)容如下:首先,在詳細(xì)闡述了支持向量分類器的發(fā)展過程和國內(nèi)外研究的基礎(chǔ)上,分析了不同的支持向量分類器模型所適用分類問題的數(shù)據(jù)結(jié)構(gòu).研究了多分類模型的評價指標(biāo).其次,在分析和討論網(wǎng)格搜索法,粒子群優(yōu)化算法,遺傳優(yōu)化算法的基礎(chǔ)上.提出了基于網(wǎng)格搜索法的改進的粒子群優(yōu)化算法.并將優(yōu)化過的多項式核支持向量機模型,應(yīng)用到種子分類問題中.通過實驗對比數(shù)據(jù)預(yù)處理后的種子數(shù)據(jù)集,多項式核支持向量機分類模型,在總體分類精度和個體分類精度兩方面與其他算法比較具有優(yōu)勢.最后,針對客戶等級分類問題,在數(shù)據(jù)預(yù)處理階段應(yīng)用箱型圖法和最值歸一化法做數(shù)據(jù)預(yù)處理,然后利用主成分分析,對數(shù)據(jù)做降維處理.通過實驗對比高斯核和多項式核的支持向量機分類模型,以及網(wǎng)格搜索法,粒子群優(yōu)化算法,遺傳優(yōu)化算法三種優(yōu)化算... 

【文章來源】：蘭州交通大學(xué)甘肅省

【文章頁數(shù)】：93 頁

【學(xué)位級別】：碩士

【部分圖文】：

擴大范圍粗搜索分類精度等高線圖

蘭州交通大學(xué)碩士學(xué)位論文-17-局部最優(yōu)解的缺點,結(jié)合網(wǎng)格搜索法和粒子群優(yōu)化算法的優(yōu)點,提出基于網(wǎng)格搜索法縮小參數(shù)C,尋優(yōu)范圍,再用粒子群優(yōu)化算法確定參數(shù)C,具體取值.改進的網(wǎng)格搜索法,首先利用較大步長和較大范圍的搜索參數(shù)C,,然后計算對應(yīng)坐標(biāo)C,的5-fold交叉檢驗分類準(zhǔn)確率,繪制分類準(zhǔn)確率等高線圖.如圖3.3所示.圖3.3擴大范圍粗搜索分類精度等高線圖圖3.4給出了以采用步長為0.1,確定參數(shù)C,遍歷范圍,C的范圍為7-622，,的范圍為4-622，的網(wǎng)格搜索法對應(yīng)的分類精度等高線圖.圖3.4縮小范圍小步長搜索分類精度等高線圖

箱型圖

【參考文獻(xiàn)】：
期刊論文
[1]基于SA-SVM的中文文本分類研究[J]. 郭超磊,陳軍華.  計算機應(yīng)用與軟件. 2019(03)
[2]基于支持向量機的文本分類[J]. 李蕓初.  中國新技術(shù)新產(chǎn)品. 2019(01)
[3]基于改進多層感知機的手寫數(shù)字識別[J]. 何平,劉紫燕.  通信技術(shù). 2018(09)
[4]支持向量機在文本分類中的研究與應(yīng)用[J]. 張燕,姚志遠(yuǎn),陳文社.  電腦編程技巧與維護. 2018(08)
[5]基于支持向量機的不均衡文本分類方法[J]. 高超,許翰林.  現(xiàn)代電子技術(shù). 2018(15)
[6]基于粒子群的支持向量機圖像識別[J]. 韓曉艷,趙東.  液晶與顯示. 2017(01)
[7]基于主成分分析和PSO-SVM的樹葉分類方法研究[J]. 楊志輝,胡紅萍,白艷萍.  數(shù)學(xué)的實踐與認(rèn)識. 2016(18)
[8]改進的基于粒子群優(yōu)化的支持向量機特征選擇和參數(shù)聯(lián)合優(yōu)化算法[J]. 張進,丁勝,李波.  計算機應(yīng)用. 2016(05)
[9]基于數(shù)據(jù)關(guān)系的SVM多分類學(xué)習(xí)算法[J]. 王文劍,梁志,郭虎升.  山西大學(xué)學(xué)報(自然科學(xué)版). 2012(02)
[10]基于支持向量機分類的圖像識別研究[J]. 談蓉蓉.  安徽農(nóng)業(yè)科學(xué). 2010(26)

博士論文
[1]支持向量機魯棒性模型與算法研究[D]. 王快妮.中國農(nóng)業(yè)大學(xué) 2015
[2]支持向量機分類方法及其在文本分類中的應(yīng)用研究[D]. 趙暉.大連理工大學(xué) 2006

碩士論文
[1]數(shù)據(jù)歸一化方法對提升SVM訓(xùn)練效率的研究[D]. 湯榮志.山東師范大學(xué) 2017
[2]基于多尺度核加權(quán)融合的支持向量機核函數(shù)優(yōu)化方法的研究[D]. 陳洋洋.杭州電子科技大學(xué) 2017
[3]SVM參數(shù)尋優(yōu)及其在分類中的應(yīng)用[D]. 徐曉明.大連海事大學(xué) 2014
[4]主成分分析法研究及其在特征提取中的應(yīng)用[D]. 陳佩.陜西師范大學(xué) 2014
[5]SVM核參數(shù)優(yōu)化研究與應(yīng)用[D]. 楊海.浙江大學(xué) 2014
[6]一種改進的約簡支持向量機及其在鋅凈化過程軟測量中的應(yīng)用[D]. 張斌.中南大學(xué) 2010
[7]支持向量機中Sigmoid核函數(shù)的研究[D]. 劉明.西安電子科技大學(xué) 2009
[8]支持向量機核函數(shù)的研究[D]. 黃嘯.蘇州大學(xué) 2008
[9]基于支持向量機參數(shù)優(yōu)化的群智能優(yōu)化算法研究[D]. 李艷英.天津大學(xué) 2007
[10]支持向量機分類算法研究與應(yīng)用[D]. 彭璐.湖南大學(xué) 2007



本文編號：3234607