基于邊界向量樣本的支持向量分類機(jī).pdf

1、統(tǒng)計(jì)學(xué)習(xí)理論（SLT）是機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)新的理論體系，它非常適用于解決有限樣本條件下的機(jī)器學(xué)習(xí)問題。支持向量機(jī)(Support vector machine, SVM)是在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來的一種小樣本學(xué)習(xí)理論，與神經(jīng)網(wǎng)絡(luò)、遺傳算法、人工智能等現(xiàn)有的機(jī)器學(xué)習(xí)方法相比，具有較好的推廣能力和非線性處理能力，尤其是在處理高維數(shù)據(jù)時(shí)，有效地解決了“維數(shù)災(zāi)難”問題?，F(xiàn)已廣泛應(yīng)用于模式識(shí)別和回歸估計(jì)等問題中。 由于SVM還是一門

2、嶄新的技術(shù)，無論是理論上還是實(shí)際應(yīng)用中都有許多問題亟待解，本文主要針對(duì)支持向量分類機(jī)的算法問題進(jìn)行了研究： 一是研究了支持向量、中心距離比值、邊界向量以及增量學(xué)習(xí)之間的關(guān)系，提出了基于中心距離比值的增量支持向量機(jī)。與傳統(tǒng)方法相比，基于中心距離比值的增量支持向量機(jī)有效的利用了中心距離比值，解決了CDRM+SVM的閾值選取問題；且適合于增量學(xué)習(xí)；從而在保證了SVM的分類能力沒有受到影響的前提下大大地提高了SVM的訓(xùn)練速度。

3、二是為了彌補(bǔ)最小二乘支持向量機(jī)（LS- SVM）所缺失的稀疏性，結(jié)合中心距離比值提出了一種稀疏最小二乘支持向量機(jī)。該方法不僅彌補(bǔ)了LS- SVM的稀疏性，而且減少了計(jì)算機(jī)的存儲(chǔ)量和計(jì)算量，加快了LS- SVM的訓(xùn)練速度和決策速度，且不影響LS- SVM的分類能力。 三是利用SVM中支持向量的稀疏性和支持向量分布于分劃超平面周圍的性質(zhì)，提出了一種預(yù)抽取相對(duì)較近邊界向量的選塊算法，該算法提高了FFMVM方法的準(zhǔn)確率和減少了普通選塊算