最小二乘支持向量機在多分類中的應用研究.pdf

1、碩士學位論文最小二乘支持向量機在多分類中的應用研究ResearchOilLeastSquaresSupportVectorMachinesinMultiClassification作者姓名：塞4衛(wèi)生學科、專業(yè)：槿式遲曼I』生蟹能丕統(tǒng)堂J指導完成號：教師：日期：蘭州交通大學LanzhouJiaotongUniversity蘭州交通大學碩士學位論文摘要分類問題是模式識別領域的核心內容。至今，神經網絡、決策樹、支持向量機(SupportVec

2、torMachines，SVM)等智能方法已經被廣泛應用于分類問題中。最小二乘支持向量機(LeastSquaresSupportVectorMachines，LSSVM)作為SVM的一種改進模型，具有全局最優(yōu)，推廣能力好以及適應性強等優(yōu)點。目前，LSSVM在模式識別、信號處理等諸多工程領域中的應用越來越廣泛，并顯示了良好的性能。本文在分析了SVM、LSSVM理論的基礎上，重點研究了LSSVM的兩種改進形式：稀疏最小二乘支持向量機(Spa

3、rseLeastSquaresSupportVectorMachines，SLSSVM)和模糊最小二乘支持向量機(FuzzyLeastSquaresSupportVectorMachines，F(xiàn)LSSVM)，并將其應用于人工數(shù)據(jù)集、基準數(shù)據(jù)集以及實際生物醫(yī)學心電[](Electrocardiogram，ECG)信號和腦電[](Electroencephalogram，EEG)信號的分類問題中，驗證了SLSSVM和FLSSVM分類器的有效

4、性和可行性。本文主要研究內容包括如下幾個方面：(1)在分析了標準SVM理論和LSSVM理論的基礎上，進一步研究了LSSVM的兩種改進形式SLSSVM和FLSSVM。同時，研究了不同核函數(shù)參數(shù)選取對分類器分類的影響，本文將一種新的小波核函數(shù)用于SLSSVM和FLSSVM中，并使用交叉驗證(CrossValidation，cv)法對分類器參數(shù)及各種核函數(shù)參數(shù)進行優(yōu)化。(2)將基于小波核函數(shù)的SLSSVM和FLSSVM分別應用于二分類人工數(shù)據(jù)

5、集、二分類基準數(shù)據(jù)集和多分類基準數(shù)據(jù)集等多個數(shù)據(jù)集的分類問題中，并且在同等條件下與基于徑向基核函數(shù)、多層感知器核函數(shù)以及多項式核函數(shù)的標準SVM、LSSVM_分類算法以及多分類算法的分類性能進行比較，并用CV法對參數(shù)進行優(yōu)化。最后從分類精度和運行時間兩方面詳細分析各種分類器的分類性能。結果表明，基于小波核函數(shù)的SLSSVM在不影響分類精度的同時可以提高訓練速度，而FLSSVM很好的改善了多分類問題中存在的數(shù)據(jù)不可分的情況，驗證TSLSS