核空間聚類算法及其在大規(guī)模支持向量機(jī)應(yīng)用中的研究.pdf

1、支持向量機(jī)因其堅實的理論基礎(chǔ)與優(yōu)越的學(xué)習(xí)性能已被廣泛運(yùn)用于大規(guī)模數(shù)據(jù)的學(xué)習(xí)中，但支持向量機(jī)優(yōu)越性是建立在小樣本的基礎(chǔ)之上，在大規(guī)模樣本的學(xué)習(xí)問題上它卻并未表現(xiàn)出優(yōu)勢。大樣本的學(xué)習(xí)問題已經(jīng)成為支持向量機(jī)應(yīng)用的瓶頸，因此提出有效的針對大規(guī)模訓(xùn)練樣本集的SVM算法意義深遠(yuǎn)。
　　 本文著重研究了支持向量機(jī)在大規(guī)模學(xué)習(xí)中的應(yīng)用，在深入學(xué)習(xí)支持向量機(jī)理論的基礎(chǔ)上，對現(xiàn)今各種大規(guī)模支持向量機(jī)的解決方法進(jìn)行了總結(jié)分析，其中著重分析了聚類算法在

2、解決大規(guī)模支持向量機(jī)的優(yōu)勢及存在的問題，并最終提出了一種解決大規(guī)模支持向量機(jī)學(xué)習(xí)問題的新策略。本文的主要研究工作有：
　　 l、深入分析了現(xiàn)有大規(guī)模支持向量機(jī)的學(xué)習(xí)方法，找出目前研究中存在的問題，特別深入分析了用聚類解決大規(guī)模支持向量機(jī)各種方法，并對此進(jìn)行歸納總結(jié)。
　　 2、提出了用核空間聚類優(yōu)化大規(guī)模支持向量機(jī)的新策略，該策略試圖利用核空間聚類算法找出距離SVM中距離分類平面較近的對樣本模型學(xué)習(xí)有貢獻(xiàn)的支持向量，同時

3、約減掉大部分對學(xué)習(xí)無貢獻(xiàn)的非支持向量，最后包含支持向量的小部分樣本用于新的樣本學(xué)習(xí)，從而彌補(bǔ)了當(dāng)前優(yōu)化方法的不足，在提高學(xué)習(xí)效率的同時保證了SVM的學(xué)習(xí)性能。
　　 3、提出核空間距離聚類算法(KDC)，將該聚類算法與支持向量機(jī)相結(jié)合構(gòu)建了基于核空間距離聚類的大規(guī)模支持向量機(jī)模型(KDC-SVM)，利用KDC約減大規(guī)模數(shù)據(jù)集，最后通過實驗驗證了該優(yōu)化模型的可行性。
　　 4、針對KDC-SVM模型存在的一些問題：因采用大

4、量隨機(jī)機(jī)制而導(dǎo)致減樣不穩(wěn)定、壓縮比例難以控制、自主學(xué)習(xí)性差等缺陷提出了基于蟻群核聚類的支持向量機(jī)學(xué)習(xí)模型(ANT-SVM)，該模型利用提出的蟻群核聚類算法大規(guī)模數(shù)據(jù)集，使支持向量機(jī)在大規(guī)模樣本學(xué)習(xí)時自主學(xué)習(xí)能力更強(qiáng)，能夠更加迅捷地獲得優(yōu)越的樣本模型。實驗表明，改進(jìn)的ANT-SVM模型其學(xué)習(xí)性能比較強(qiáng)，較KDC-SVM模型它能獲得更加穩(wěn)定的、性能更強(qiáng)的學(xué)習(xí)模型。
　　 本文提出了用核空間聚類算法優(yōu)化大規(guī)模支持向量機(jī)的學(xué)習(xí)策略，并利