現今世界上許多信息系統(tǒng)產生了大量的原始數據,這些原始數據往往是具有高度不平衡、高維度、大規(guī)模以及屬性值各異等特性的高不確定數據。近些年來,通過可靠的機器學習技術來進行大數據挖掘變得尤為普遍。使用一般的機器學習方法來挖掘此類高不確定數據,很難達到令人滿意是效果。因此,為了挖掘出高不確定數據中更多隱藏的、有用的信息,開發(fā)出高性能的機器學習方法來處理各種高不確定數據是很有必要的。本文提出了一種混合支持向量機模型來挖掘此類高不確定數據,其結構包括預處理、建立模型和參數優(yōu)化三部分。數據預處理包括歸一化和數據重采樣,旨在根據先驗知識使數據平滑。本文在重采樣基礎上,通過選擇重復采樣的次數,使得樣本更加平滑,進一步提高分類器的性能。建立的算法模型為支持向量機（SupportVectorMachine,SVM）模型,它是一種基于結構風險最小化原則的方法,能夠很好地處理高維數據,并且具有良好的泛化能力,但是只適合小樣本數據,因此本文提出一種針對SVM的處理大規(guī)模數據的方法,以提高混合模型對大規(guī)模數據的處理能力。本文采用遺傳算法（Genetic Algorithm,GA）、最基本粒子群優(yōu)化法（Particl... 

【文章來源】：云南大學云南省 211工程院校

【文章頁數】：80 頁

【學位級別】：碩士

【部分圖文】：

圖２－２：?ＰＳＯ流程圖??２．３．３網格搜索法??

圖３－１混合模型整體結構圖??２０??

d恤betes數據的R巴peated一NN~N方法結果

【參考文獻】：
期刊論文
[1]基于支持向量機與無監(jiān)督聚類相結合的中文網頁分類器[J]. 李曉黎,劉繼敏,史忠植.  計算機學報. 2001(01)
[2]關于統(tǒng)計學習理論與支持向量機[J]. 張學工.  自動化學報. 2000(01)

博士論文
[1]基于優(yōu)化支持向量機模型的發(fā)動機故障診斷[D]. 聶立新.東北大學 2015

碩士論文
[1]基于支持向量機的圖像分類方法研究[D]. 曹健.浙江師范大學 2013



本文編號：3441135