支持向量機多類分類算法的分析與設(shè)計.pdf

1、支持向量機是上世紀九十年代提出的一種基于小樣本的新的統(tǒng)計學習方法。支持向量機是機器學習領(lǐng)域若干標準技術(shù)的集成者，它集成了最大超平面、Mercer核、凸二次規(guī)劃、稀疏解和松弛變量等多項技術(shù)，在若干挑戰(zhàn)性的應用中，獲得了較好的性能。由于其具有全局最優(yōu)、結(jié)構(gòu)簡單、推廣能力強等優(yōu)點，近幾年得到了廣泛的研究并廣泛應用于模式識別等領(lǐng)域。但是支持向量機最初是針對兩類分類提出來的，如何將兩類分類方法擴展到多類別分類是支持向量機研究的重點內(nèi)容之一。

2、 本文從支持向量機的基本理論出發(fā)，針對分類問題著重討論了以下幾個方面的內(nèi)容：(1)支持向量機二分類算法的研究，對目前存在的多種支持向量機模型進行了研究分析，比較了他們的性能與應用的范圍。(2)支持向量機多類分類算法的研究，首先總結(jié)了目前存在的基于支持向量機的多類分類方法，包括“一對多”方法、“一對一”方法、一次性求解的方法、決策有向無環(huán)圖方法、基于二叉樹的支持向量機多類分類方法和其它幾種方法，比較了他們的優(yōu)缺點以及性能。同時本章中針對

3、多類分類方法中的1-a-r(one-against-rest)方法存在由于訓練樣本之間的不均衡將對精度產(chǎn)生影響，不可識別區(qū)域等不足，提出了利用邊界近鄰最小二乘支持向量機來解決多類分類問題。有效地解決了上述問題，實驗結(jié)果表明該方法的有效性。(3)基于原型超平面支持向量機的研究。介紹了原型超平面支持向量機的產(chǎn)生，并針對其分類規(guī)則在某些情形會導致較差的分類結(jié)果，提出了在利用基于廣義特征的最接近支持向量機(GEPSVM)產(chǎn)生一個主原型超平面的基