基于组合核函数支持向量机研究及应用

发布时间：2024-11-03 04:39

　　支持向量机(Support Vector Machine,SVM)作为数据挖掘中的新方法,是借助于优化方法解决机器学习问题的新工具。它基于结构风险最小化原则,克服了传统方法的大样本要求,并有效地克服了维数灾难及局部最小问题,SVM在模式识别、回归估计等领域都已取得了很好的应用。核函数作为支持向量机的核心,通过将低维输入向量映射到高维特征空间,有效地解决了非线性问题。核函数在支持向量机中占用极其重要的地位,是支持向量机理论成熟发展的关键。 在利用支持向量机进行分类和回归时,如何选择合适核函数,以及根据具体数据构造合适的核函数,选择最优的核参数,是获得较好分类和逼近效果的基础和前提。考虑到核函数在支持向量机中的重要性,本文系统综述了国内外核函数选择、构造以及核参数选择方法,在分析各种典型方法的特点、总结该领域研究现状的基础上,构建结合全局核特性以及局部核特性的线性组合核函数,选择具有代表性的多项式核函数和RBF核函数进行线性组合建模,通过构建组合函数的核矩阵代码嵌入现有软件中进行直接学习,避免编程中不同程序语言的反复编译,简化支持向量机内部运算程序,减少运算时间。在核参数的选择上,本文...

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

因此，高斯核函数的插值能力较强，即比较善于提取样本的局部性质，见图（3-1）。图3-1高斯核函数特性曲线图此图为2σ分别为0.1，0.2，0.3，0.4时的高斯核函数特性曲线图，0.2为测试点，由图可以看出在测试数据附近，核函数值比较大，随着输入数据与测试数据的距离增加，核函....

27函数。图3-2多项式核函数特性曲线图3.2.2组合核函数构造3.2.2.1组合核函数模型构造通过下面的定理：定理3.2当()rankK=n时，其中(())llijKkxx×=,是Gram矩阵，则训练样本在特征空间中线性可分。对于高斯核函数，当σ→....

45图4-7高斯核函数参数选择结果图核函数支持向量机预测：2005M05-2010M03共58个数据；：2010M04-2011M1共10个数据；式核函数的crossgrid选优参数为：c=2，q=3，=62.5%合核参数支持向量机预测结果单独选优组合：2....

本文编号：4010695