本文選題：支持向量機 + 核函數　； 參考：《大連海事大學》2016年碩士論文

【摘要】：支持向量機(SVM)是由Vapnik提出的基于統計學習理論的一種分類方法,使低維特征空間經過一種非線性轉換得到一個高維特征空間,最優分類超平面即可在轉變到這個新的空間中求解,由此將不可分問題轉化為可分問題。在解決類似小樣本、高維數、非線性等眾多實際問題中SVM表現了很強的優勢,這種方法在機器學習中占有著非常重要的地位。核函數作為支持向量機的核心,支持向量機的性能表現受到不同的核函數的直接影響,提高核函數性能成為研究支持向量機工作中的核心問題之一。本文首先介紹了支持向量機理論和核函數理論,通過對SVM及核函數性質的研究并在不同數據集上測試四種常用核函數(線性核函數、高斯核函數、多項式核函數、sigmoid核函數)的性能,選擇較優的兩種或多種核函數進行組合構造新的混合核函數,然后利用遺傳算法這種人工智能學習算法對混合核函數中核權重系數及核參數進行自動化優化,同時測試混合核函數SVM在不同數據集上的性能,并與單核測試數據結果進行分析比較,得出結論,驗證混合核函數支持向量機的實用性。在文章最后對全文研究工作進行了概況總結,需要研究探討的問題也得到了進一步的提出。
[Abstract]:Support vector machine (SVM) is a classification method based on statistical learning theory proposed by Vapnik. The optimal classification hyperplane can be solved in this new space, thus the inseparability problem can be transformed into a separable problem. SVM has a strong advantage in solving many practical problems such as small sample, high dimension, nonlinear and so on. This method plays a very important role in machine learning. Kernel function is the core of support vector machine. The performance of support vector machine is directly affected by different kernel functions. Improving the performance of kernel function has become one of the core problems in the work of support vector machine. In this paper, the support vector machine theory and kernel function theory are introduced. By studying the properties of SVM and kernel function, four common kernel functions (linear kernel function, Gao Si kernel function) are tested on different data sets. The performance of polynomial kernel function sigmoid kernel function, two or more kernel functions are selected to combine to construct a new hybrid kernel function. Then the artificial intelligence learning algorithm is used to automate the optimization of kernel weight coefficient and kernel parameter in hybrid kernel function, and the performance of hybrid kernel function SVM on different data sets is tested at the same time. The results are analyzed and compared with the data of single core test, and the results show that the hybrid kernel support vector machine is practical. At the end of the paper, the research work is summarized, and the problems that need to be studied are also put forward.
【學位授予單位】：大連海事大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP18

【相似文獻】

相關期刊論文 前10條

1 周珂;蔡潔;;SVM在阿爾茨海默型老年癡呆癥輔助診斷中的應用[J];現代計算機(專業版);2012年17期

2 王蒙;傅行軍;;基于參數優化SVM的旋轉機械故障診斷[J];江蘇電機工程;2008年01期

3 謝志強;高麗;楊靜;;基于球結構的完全二叉樹SVM多類分類算法[J];計算機應用研究;2008年11期

4 孫穎;劉玉滿;龔穩;;基于SVM的多傳感器信息融合[J];長春工業大學學報(自然科學版);2013年03期

5 焦鵬;王新政;謝鵬遠;;基于SVM的模擬電路故障診斷及參數優化方法[J];計算機測量與控制;2013年08期

6 張貝貝;何中市;;基于支持向量數據描述算法的SVM多分類新方法[J];計算機應用研究;2007年11期

7 趙天昀;;多分類SVM在企業競爭情報自動分類中的應用[J];現代情報;2008年10期

8 彭磊;高峰;任立華;黃真輝;;基于SVM的混沌時間序列預測模型應用研究[J];工程勘察;2013年09期

9 劉海松;吳杰長;陳國鈞;;克隆選擇優化的SVM模擬電路故障診斷方法[J];電子測量與儀器學報;2010年12期

10 劉永斌;何清波;張平;孔凡讓;;基于SVM的旋轉機械故障診斷方法[J];計算機工程;2012年05期

相關會議論文 前10條

1 滕衛平;胡波;滕舟;鐘元;;SVM回歸法在西太平洋熱帶氣旋路徑預報中的應用研究[A];S1 災害天氣研究與預報[C];2012年

2 王紅軍;徐小力;付瑤;;基于SVM的旋轉機械故障診斷知識獲取[A];第八屆全國設備與維修工程學術會議、第十三屆全國設備監測與診斷學術會議論文集[C];2008年

3 陳兆基;楊宏暉;杜方鍵;;用于水下目標識別的選擇性SVM集成算法[A];中國聲學學會水聲學分會2011年全國水聲學學術會議論文集[C];2011年

4 程麗麗;張健沛;楊靜;馬駿;;一種改進的層次SVM多類分類方法[A];第三屆全國信息檢索與內容安全學術會議論文集[C];2007年

5 左南;李涓子;唐杰;;基于SVM的肖像照片抽取[A];第三屆全國信息檢索與內容安全學術會議論文集[C];2007年

6 寧偉;苗雪雷;胡永華;季鐸;張桂平;蔡東風;;基于SVM的無參考譯文的譯文質量評測[A];機器翻譯研究進展——第四屆全國機器翻譯研討會論文集[C];2008年

7 劉旭;羅鵬飛;李綱;;基于擬合角特征及SVM的雷達輻射源個體識別[A];全國第五屆信號和智能信息處理與應用學術會議專刊(第一冊)[C];2011年

8 羅浩;謝軍龍;胡云鵬;;地源熱泵空調系統故障診斷中SVM的應用[A];全國暖通空調制冷2008年學術年會資料集[C];2008年

9 劉閃電;王建東;;權重部分更新的大規模線性SVM求解器[A];2009年研究生學術交流會通信與信息技術論文集[C];2009年

10 王艦;湯光明;;基于SVM的圖像隱寫檢測分析[A];第八屆全國信息隱藏與多媒體安全學術大會湖南省計算機學會第十一屆學術年會論文集[C];2009年

相關博士學位論文 前1條

1 陳志茹;基于SVM集成學習的miRNA靶基因預測研究[D];燕山大學;2015年

相關碩士學位論文 前10條

1 楊劉;基于PCA與SVM的地力評價研究[D];中南林業科技大學;2015年

2 伍岳;基于SVM的文本分類應用研究[D];電子科技大學;2014年

3 高傳嵩;基于SVM文本分類的問答系統的設計與實現[D];南京大學;2014年

4 馮天嬌;基于肝臟表觀模型和優化SVM的肝癌識別方法的研究與實現[D];東北大學;2013年

5 姚磊;基于SVM主動學習的音樂分類[D];南京郵電大學;2015年

6 毛曉東;基于多層SVM的面筋強度分類模型優化研究[D];黑龍江大學;2014年

7 馬琰;一種基于SVM和多源數據的金絲猴生境評價研究[D];中國林業科學研究院;2015年

8 王立達;基于混合核函數的SVM及其應用研究[D];大連海事大學;2016年

9 張漢女;基于SVM的海岸線提取方法研究[D];東北師范大學;2010年

10 劉軍;基于SVM的半監督網絡入侵檢測系統[D];復旦大學;2009年

，

本文編號：1917385