SVM模型改進的若干研究.pdf

1、支持向量機（SVM）是在統(tǒng)計學理論和最優(yōu)化理論的基礎上發(fā)展起來的一種機器學習方法，它有效地解決了局部極小點、小樣本、非線性、高維數等實際問題，從而有力地推動了機器學習理論的發(fā)展，已經成為機器學習領域的一個研究熱點。盡管支持向量機的優(yōu)點很多，但仍有美中不足之處。傳統(tǒng)的支持向量機對樣本中的噪聲和孤立點敏感，沒有考慮不同輸入樣本點對最優(yōu)超平面的獲得產生的不同影響等。另外，模型選擇也是支持向量機理論上的一個不足之處，模型選擇主要包括核函數及其參

2、數的選擇。
　　本論文在總結相關學者關于支持向量機對樣本中的噪聲和孤立點敏感及模型選擇不靈活這兩個方面的研究后，并對其作了進一步研究，主要有如下創(chuàng)新的工作：
　　(1)構造了幾何平均隸屬度函數。幾何平均隸屬度函數是在基于類中心的隸屬度函數和基于緊密度的隸屬度函數的基礎上構造的，兼具二者的優(yōu)點，有效地降低了噪聲和孤立點對最優(yōu)超平面的影響，提高了解決問題的效率；
　　(2)構造了靈活性強、適應性高的泰勒緩和下降核函數（T-