分享到:

基于脉冲核的支持向量机研究与应用

数据挖掘作为信息管理领域的一个重要研究课题,其技术已经广泛地应用到很多行业中。作为新生代的数据挖掘技术——支持向量机(Support Vector Machine简称SVM)是在20世纪90年代提出的。由于依据结构风险最小化原则,SVM较好地解决了小样本、非线性、高维学习问题,成为了当前数据挖掘领域和机器学习界的研究热点。虽然目前已经形成了一套完整的理论框架,但是SVM在处理一些实际问题时,其性能仍显不足,围绕核心算法展开的理论和应用的深入研究仍在继续。通过改进训练算法、提出全新算法、核函数构造和参数选择等途径的研究,以进一步提高SVM的推广性能和学习速度。本文在介绍了SVM的相关基础知识之后,以构造满足Mercer条件的核函数为核心,对SVM的性能做了一些研究和探讨,主要工作包括:1.针对目前可供SVM选择的Mercer核较少的情况,借助于Fourier变换知识,提出了一种基于Fourier变换的核函数构造方法。经过理论证明,  (本文共70页) 本文目录 | 阅读全文>>

《科学技术创新》2019年02期
科学技术创新

支持向量机理论及应用

统计学习理论是一种机器学习理论,该理论与其他统计学2L方法的不同之处主要在于其使用了统计的方法hln(1) ln(/4)。统计学习理论h R() R()是对小样本进行统计估计和预测进行研究的理论,该理论主要á??L包括经验风险最小化准则下统计学习一致性的条件;在这些条件下关于统计学习方法推广性的界的结论;在这些界的基础上由上可知,学习机的实际风险是由两部分组成的:一部分是建立的小样本归纳推理准则;实现新的准则的实际方法这四个置信范围;另一部分是经验风险即训练误差。同时,最小化经验方面内容[1]。风险和置信范围可以实现实际风险的最小化,而结构风险最小支持向量机(Support Vector Machines),简称SVM,是建立化原则(SRM)旨在实现经验风险和置信范围这两项的最小化。在统计学习理论基础上的一种新型的机器学习方法。它是以分1.3支持向量机理论和基本思想析统计理论为基础上,并在此基础上形成的一种模式分类方SVM是由V...  (本文共2页) 阅读全文>>

《中国图象图形学报》2017年09期
中国图象图形学报

加权间隔结构化支持向量机目标跟踪算法

位置,并通过不断更新外观模型来适应目标外观的0引言变化。如在文献[6]改进的均值偏移跟踪算法中,使用背景权重直方图来降低背景对目标模板的影目标跟踪在视频监控、人机交互、车辆导航和行响,并结合卡尔曼滤波器来提高跟踪器的抗遮挡性为分析等领域有着广泛的应用。由于视频目标运动能;文献[7]提出的跟踪方法中,使用稀疏表示对目过程中存在着遮挡、外观或光照变化、背景混杂、剧标外观进行建模,并结合先验概率将其引入到正则烈位移等场景,使得其仍是一个充满挑战性的工化模型中。判别式跟踪[8-13],又称基于检测的跟踪,作[1]。现有的跟踪算法按照处理方式的不同大致通常把跟踪过程分为训练和检测两阶段。在训练阶可分为生成式和判别式两类[2]。生成式模型[3-5]首段对目标和背景采样并训练二元分类器;在检测阶先生成一个外观模型来表示目标,然后通过在每一段使用训练所得的分类器检测目标所在位置。以上帧中搜索与该外观模型最相似的区域来确定目标的两阶段交替进行以适...  (本文共9页) 阅读全文>>

《软件学报》2018年01期
软件学报

多分类孪生支持向量机研究进展

孪生支持向量机(twin support vector machine,简称TWSVM)是在传统支持向量机(support vector machine,简称SVM)[1,2]的基础上发展而来的一种新型机器学习算法.为了解决二分类问题,TWSVM为每一类样本构造一个超平面,使每类样本尽可能离本类的超平面更近,而尽可能地远离另一类的超平面[3].TWSVM的两个超平面通过求解两个二次规划问题(quadratic programming problems,简称QPPs)得到,每个QPP的约束条件都只与一类样本有关.TWSVM不但保持了SVM的优点,而且训练速度比传统SVM要快4倍A为了进一步提升TWSVM的性能,学者们已经提出了不少改进算法[5_21],例如,Kumar等人提出了TWSVM的最小二乘模型,称作最小二乘孪生支持向量机(least squares twin support vector machine,简称LSTSVM)...  (本文共20页) 阅读全文>>

《科技创新与应用》2018年11期
科技创新与应用

模糊型支持向量机及其在入侵检测中的应用

通过分析模糊支持向量机FSVM、v型模糊支持向量机v-FSVM、模糊孪生支持向量机FTSVM,提出了v型模糊孪生支持向量机v-FTSVM;实验研究对其性能进行比较;并将提出的算法用于入侵检测问题,进一步表明了提出算法的有效性。1模糊支持向量机1.1 C-型FSVM通过赋予每个数据样本点x一个合适的模糊隶属值si(0≤si≤1),并在FSVM中给定的数据样本集是具有模糊隶属度的一个数据集合。FSVM的优化问题如下:1.2 v-型模糊支持向量机v-FSVMv-WSVM的优化问题如下:(2)2模糊孪生支持向量机2.1 C-型模糊孪生支持向量机C-型模糊孪生支持向量机的优化问题如下:(3)(4)通过构造(3)与(4)的拉格朗日函数,可以获得如下的对偶问题:(5)(6)其中。2.2 v-型模糊孪生支持向量机2.2.1线性可分的模糊孪生支持向量机二次规划问题如下:áá112.()1,1,2,,0,1,2,,á?lTi iiTi i iimi...  (本文共4页) 阅读全文>>

《运筹学学报》2018年02期
运筹学学报

从支持向量机到非平行支持向量机

0引言非平行支持向量机w作为支持向量机M的拓展,近几年受到了广泛的关注.与支持向量机相比,非平行支持向量机针对每一类别构造相应的支持超平面,从而可以描述不同类别的数据分布差异,对某些数据下的分类效果比支持向量机好,比如交叉型数据等?目前,非平行支持向量机已经成为了支持向量机新的研宄热点+91.首个非平行支持向量机模型由Magasarian等人[5】于2006年提出,该模型通过求解两个广义特征值问题得到两个非平行超平面.随后文献[6-7]在文献[5]的基础上进一步提出了双子支持向量机,该模型同样得到两个非平行超平面,但是却求解两个与支持向量机类似的二次优化问题.由于双子支持向量机与支持向量机更相似,从而获得了广泛的研究.总体说来,关于非平行支持向量机的研宄主要有:从不同损失函数出发的非平行支持向量机模型与算法研究,比如基于最小二乘损失函数的非平行支持向量机模型间,基于e-不敏感损失函数的非平行支持向量机模型【9]等;从不同数据挖掘...  (本文共11页) 阅读全文>>