若干SVM算法的改進(jìn)與設(shè)計(jì).pdf

1、傳統(tǒng)支持向量機(jī)(SVM)是通過一個(gè)凸二次規(guī)劃求解的，并有較好的泛化能力，已經(jīng)在生物信息學(xué)、人臉識(shí)別、指紋識(shí)別、手寫體識(shí)別、數(shù)據(jù)庫學(xué)習(xí)與身份驗(yàn)證等領(lǐng)域得到了較好的應(yīng)用。
　　 以統(tǒng)計(jì)學(xué)理論為基礎(chǔ)，本文重點(diǎn)研究了支持向量機(jī)核函數(shù)的構(gòu)造、支持向量機(jī)快速訓(xùn)練算法、支持向量機(jī)訓(xùn)練集剪輯技術(shù)等內(nèi)容。
　　 本文所做的主要工作如下：
　　 1.設(shè)計(jì)了一個(gè)泛化能力與學(xué)習(xí)能力折中的混合核函數(shù)Kop。與傳統(tǒng)RBF核相比，基于Kop下

2、的SVM，其支持向量個(gè)數(shù)少、分類性能好。
　　 2.提出了一種新的支持向量分類算法——ACNN-SVM，主要為了解決NN-SVM算法并不能保證在訓(xùn)練集上找到最少需要的原型樣本點(diǎn)集的缺陷。
　　 3.求解兩個(gè)權(quán)向量，無需求解超平面的具體形式，針對(duì)GEPSVM可能存在奇異性問題，提出了權(quán)向量多平面支持向量機(jī)WMPSVM。該方法不僅可以糾正某些情況下GEPSVM錯(cuò)分問題，而且避免了GEPSVM奇異性問題。
　　 4.將