基于脈沖核的支持向量機研究與應用.pdf

1、數(shù)據(jù)挖掘作為信息管理領域的一個重要研究課題，其技術已經(jīng)廣泛地應用到很多行業(yè)中。作為新生代的數(shù)據(jù)挖掘技術——支持向量機(SupportVectorMachine簡稱SVM)是在20世紀90年代提出的。由于依據(jù)結構風險最小化原則，SVM較好地解決了小樣本、非線性、高維學習問題，成為了當前數(shù)據(jù)挖掘領域和機器學習界的研究熱點。雖然目前已經(jīng)形成了一套完整的理論框架，但是SVM在處理一些實際問題時，其性能仍顯不足，圍繞核心算法展開的理論和應用的深入

2、研究仍在繼續(xù)。通過改進訓練算法、提出全新算法、核函數(shù)構造和參數(shù)選擇等途徑的研究，以進一步提高SVM的推廣性能和學習速度。 本文在介紹了SVM的相關基礎知識之后，以構造滿足Mercer條件的核函數(shù)為核心，對SVM的性能做了一些研究和探討，主要工作包括： 1.針對目前可供SVM選擇的Mercer核較少的情況，借助于Fourier變換知識，提出了一種基于Fourier變換的核函數(shù)構造方法。經(jīng)過理論證明，運用該方法構造的核函數(shù)同

3、樣滿足Mercer條件，可以作為核應用于SVM的學習過程。同時依據(jù)該方法，給出了一個構造實例。以脈沖函數(shù)為基礎，構造了脈沖核并對其參數(shù)性質作了簡要探討。通過UCI標準數(shù)據(jù)集的實驗，表明在保證推廣能力基本不變的前提下，基于脈沖核的SVM訓練得到的支持向量數(shù)普遍少于基于RBF核的SVM的訓練結果。 2.雖然依據(jù)脈沖核的SVM訓練得到支持向量集容量較小，這在一定程度上提高了預測階段的效率，但是針對規(guī)模較大的問題，SVM仍存在學習速度下

4、降的缺點，因此本文提出了一種基于衛(wèi)向量的簡化SVM算法模型，在保證預測精確性的前提下，進一步對SVM算法進行了改進，使得改進后的SVM更適合求解大規(guī)模問題。 3.由于近年消費信貸的升溫，信貸機構需要對借款者的信用進行盡可能準確地評估，針對一些已有評估方法的不足，考慮到SVM預測技術對數(shù)據(jù)樣本的分布特征沒有限制，同時理論上又有較好的推廣能力，本文最后將基于脈沖核的改進SVM模型應用于個人信用評估中，對個人信用評估的過程進行了簡要探