支持向量機不平衡問題和增量問題算法研究.pdf

1、支持向量機是建立在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上的新型機器學(xué)習(xí)方法，該方法克服了其它機器算法中存在的局部最小解和過學(xué)習(xí)問題，有效地提高了算法的推廣能力。由于其完備的理論基礎(chǔ)和良好的實驗結(jié)果，支持向量機在指紋識別、人臉識別、自動控制設(shè)備的故障檢測等方面有著廣泛的應(yīng)用。然而，支持向量機作為機器學(xué)習(xí)領(lǐng)域中相對比較新的理論，它還有很多方面尚不成熟，需進一步研究和改進。
　　本文綜述了支持向量機的研究現(xiàn)狀，針對目前支持向量機處理不平衡數(shù)據(jù)時，分類精度低

2、以及處理大規(guī)模數(shù)據(jù)時的“瓶頸”問題，分別就支持向量機的不平衡調(diào)整以及增量學(xué)習(xí)方面進行了研究，主要內(nèi)容如下：
　　研究了不平衡向量機的算法調(diào)整方法。本文針對不平衡數(shù)據(jù)和噪聲點對分類精度影響的問題，在模糊支持向量機的思想基礎(chǔ)上，結(jié)合不平衡數(shù)據(jù)的影響因素，重新設(shè)計了模糊支持向量機的隸屬度函數(shù)，提出了一種改進的模糊支持向量機。該方法提高了支持向量機的預(yù)測分類精度，平衡了錯分率。
　　研究了不平衡向量機的欠采樣方法。本文針對傳統(tǒng)欠采樣

3、中存在的邊界樣本處理策略過于簡單、約減樣本有限等問題，提出了一種改進的欠采樣方法。該欠采樣方法利用多類樣本同分類超平面的距離將多類樣本集分類，然后使用不同的采樣率對分類樣本進行欠采樣。該欠采樣方法在不增加計算復(fù)雜度的前提下，有效地平衡了樣本數(shù)據(jù)，提高了不平衡數(shù)據(jù)的分類精度。
　　研究了支持向量機的增量學(xué)習(xí)方法。本文將傳統(tǒng)的基于KKT條件的支持向量機增量學(xué)習(xí)算法與C均值理論相結(jié)合，提出了一種快速的支持向量機增量學(xué)習(xí)算法。該算法消除了