基于RBF核的SVM学习算法的优化计算.pdf

万方数据
基于说腟学****算法的优化计算max()=y(xj)∑嘶李琳张晓龙浜嚎萍即笱Ъ扑慊蒲в爰际跹г海浜2支持向量机简介。≤一狄加÷埘Science&TechnologyWuhanbilineard引言瘄渲蠭ⅲほ酢5贝嬖谲沟眉印耄摘要在爸校許的核函数及其参数的选择还没有形成一个统一的模式。论文对基于说腟分(Cy)RBF了改进。通过结合双线性搜索法和网格搜索法。提出了一种双线性网格搜索法。实验表明,。关键词RBF文章编号———ATP301—:支持向量机琒是根据统计学****理论,以结构风险最小化原则为理论基础的一种新的机器学****方法。统计学****理论对有限样本情况下模式识别中的一些根本性问题进行了系统的理论研究,很大程度上解决了模型选择与过学****问题、非线性和维数灾难问题、局部极小点等问题。支持向量机在手写字符识别、网页或文本自动分类、说话人识别、人脸检测、计算机入侵检测、基因分类、函数回归、估计、函数逼近、时间序列预测及数据压缩、文本过滤、数据挖掘、非线121SVMSVM比、大范围的搜寻或者利用交叉验证功能进行寻优。本文针对此现状,分析了现有的模型选择方法,并对其中的网格搜索法SVM练量,并且具有比网格搜索法更高的学****精度。本文第二章简单地介绍了支持向量机的原理和支持向量机解决实际问题的基本步骤::第四章详细介绍了本文提出的双线性网格搜索法。第五章为实验,UCI六章为结论。SVM可能的线性分类器可以把这组数据分割开,,与其它分类器相比,具有更好的泛化性。n--I(xyf)Ii=1flR8{(1+1)wTx+b=OR4Q(都满足:4=(1)d=±虺矫娴姆掷嗉涓鬽in=2l。使分类间隔最大的超平面即为最优分类超平面。寻找最优分类超平面的问题将转化为求如下一个二次规划问题:满足约束条件:竹蟾辍2≥琲,:其中C恳桓鲅径杂Φ腖俗樱軰基金项目:教育部留学回国人员科研启动基金资助;湖北省教育厅重点项目嗪牛作者简介:李琳,女,硕士研究生,主要研究方向:机器学****和数据挖掘;张晓龙,男,教授,研究生导师,主要研究方向:机器学****数据挖掘和生物信息学。.计算机工程与应用瑃疭.,methodwhich..KeywordsSupport琑,searchmodelselectionparametersfwTx,+b+l0nfi=1Z二
万方数据
(1)=0i=1Z支持向量机解决实际问题的基本步骤的一点是≤攵嘞钍胶讼喾矗酥悼赡芮飨蛭尴悖SVMg(x)=sgnOI))=sgn(2Yiai()+6)If(x)I<1If(x)I0II7r>1)O<Tx+r<lSig本文使用了网格搜索和双线性搜索两种方法进行参数,双线性搜索法SVM[4网格搜索法22**********(1)222526223]2条件,这个优化的解必须满足:。最后得到分类判别函数为:b值求得。R=(l-xd)7则当前分类超平面对于算的区分能力越差。而咒≥眡能被超平面正确分类。对于线性不可分的问题,