支撐向量機的核參數(shù)選擇算法.pdf

1、支撐向量機（Support Vector Machine，SVM）是由Vapnik等人于上世紀90年代在多年研究統(tǒng)計學習理論的基礎(chǔ)上提出的一個新的機器學習方法。由于在學習和分類問題中出色的泛化性能，支撐向量機（SVM）很快成為了國內(nèi)外學者研究的熱點并在許多智能信息獲取與處理領(lǐng)域都取得了成功的應(yīng)用。
　　 核函數(shù)是支撐向量機（SVM）模型的主要元素，它將原空間中的數(shù)據(jù)映射到特征空間，使得在輸入空間中難以處理的非線性問題可在特征空間

2、中獲得線性性能。然而僅有高性能的核函數(shù)對于構(gòu)造支撐向量機（SVM）模型是不充分的，還要有與之對應(yīng)的高性能模型選擇算法。模型選擇算法通過發(fā)現(xiàn)最優(yōu)的模型參數(shù)，從而使支撐向量機（SVM）達到較好的訓練效率和應(yīng)用效果。
　　 傳統(tǒng)的基于網(wǎng)格的模型參數(shù)訓練方法可以概括為一個關(guān)于懲罰因子C和高斯核參數(shù)的兩層循環(huán)優(yōu)化過程。該算法對于大規(guī)模樣本集，時間和空間復雜度較大，同時訓練樣本中存在的噪音點通常使得分類精度降低。所以減樣和除噪（或者統(tǒng)稱為選

3、擇候選支撐向量集）成為影響支撐向量機（SVM）分類性能的重要因素。
　　 本論文對支撐向量機（SVM）核參數(shù)的選擇，提取候選支撐向量集等問題進行了學習、研究和探索。首先本文介紹了支撐向量機（SVM）研究的現(xiàn)狀，以及支撐向量機（SVM）的理論基礎(chǔ)和其關(guān)鍵技術(shù)核函數(shù)。而后就支撐向量機（SVM）模型選擇問題尤其是高斯核函數(shù)的參數(shù)選擇算法進行了詳細的介紹和分析。最后通過對減樣和除噪問題進行分析而提出選擇候選支撐向量集的算法，并基于此提出