多分类支持向量机增量算法及在认知无线电系统中的应用

发布时间：2017-08-29 03:19

  本文关键词：多分类支持向量机增量算法及在认知无线电系统中的应用

  更多相关文章： 多分类 一对一对余 最小二乘双支持向量机 增量学习 调制识别

【摘要】：支持向量机(Support Vector Machine)是非常有效的机器学习方法之一,它在处理非线性的有限样本时表现优异。支持向量机的核心思想是在两种类别的分类数据中寻找一个最优的分类超平面,使得这两类数据尽可能的远离超平面,从而获得良好的分类效果。寻找该分类超平面涉及求解凸优化的问题,计算复杂度较高。针对日常生活中的多分类问题,使用传统支持向量机二分类方法暴露出很多弊端,例如分类不平衡、分类准确率低、算法复杂度高等,多分类方法由此产生。结合多分类方法的支持向量机算法具有更广泛的应用前景。实际环境中,样本数据会随着时间的变化不断的累积,因此传统的支持向量机算法已经不能处理实时变化的数据,增量算法因此提出。本文基于对多分类双支持向量机的延伸算法—多分类最小二乘双支持向量机(Least Square Twin KSVC)算法提出其增量算法,给出了完整的理论推导和实验验证,从数学角度对该增量算法做了线性和非线性两方面的推导,并选择UCI数据库的几组拥有不同类别数的数据同经典的支持向量机增量算法做了对比实验。实验结果显示,相较于经典支持向量机增量算法,该算法具有以下优势:(1)训练速度快;(2)分类识别率高;(3)适用于多类数据分类;(4)适用于高维空间。最后将提出的增量算法应用在认知无线电系统的信号调制方式识别问题中,获得了比较好的识别率。
【关键词】：多分类 一对一对余 最小二乘双支持向量机 增量学习 调制识别
【学位授予单位】：兰州大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN925;TP18
【目录】：

• 中文摘要3-4
• Abstract4-8
• 第一章 引言8-13
• 1.1 选题背景及研究意义8-10
• 1.2 国内外研究现状及分析10-11
• 1.3 本文的研究内容11-13
• 第二章 机器学习和支持向量机理论13-22
• 2.1 机器学习的基本问题13-14
• 2.1.1 机器学习13-14
• 2.1.2 经验风险最小化14
• 2.2 支持向量机14-18
• 2.2.1 统计学习理论14-15
• 2.2.2 支持向量机15-17
• 2.2.3 双支持向量机17-18
• 2.3 多分类算法18-19
• 2.3.1“一对余”方法18
• 2.3.2“一对一”方法18-19
• 2.4 经典增量算法19-20
• 2.4.1 经典增量算法（Batch SVM）19-20
• 2.4.2 基于KKT条件的增量算法20
• 2.5 本章小结20-22
• 第三章 多分类最小二乘双支持向量机22-26
• 3.1 发展历史22
• 3.2 多分类最小二乘双支持向量机22-25
• 3.2.0“一对一对余”方法22-23
• 3.2.1 线性多分类最小二乘双支持向量机算法23-24
• 3.2.2 非线性多分类最小二乘双支持向量机算法24-25
• 3.3 本章小结25-26
• 第四章 多分类最小二乘双支持向量机增量学习算法26-38
• 4.1 线性多分类最小二乘双支持向量机增量算法26-27
• 4.2 非线性多分类最小二乘双支持向量机增量算法27-29
• 4.3 减量过程29-30
• 4.4 多分类最小二乘双支持向量机增量算法伪代码30-32
• 4.4.1 线性算法伪代码30-31
• 4.4.2 非线性算法伪代码31-32
• 4.5 实验数据及性能分析32-36
• 4.5.1 离线算法性能分析32-34
• 4.5.2 多分类最小二乘双支持向量增量算法性能分析34-36
• 4.6 本章小结36-38
• 第五章 ILST-KSVC在认知无线电信号调制方式识别上的应用38-47
• 5.1 循环谱理论38-41
• 5.1.1 循环谱的定义38-39
• 5.1.2 几种典型调制信号的循环谱39-41
• 5.2 LST-KSVC在无线电信号调制方式识别上的应用41-42
• 5.2.1 提取特征值42
• 5.3 ILST-KSVC在无线电信号调制方式识别上的应用42
• 5.4 仿真实验及性能分析42-45
• 5.4.1 特征值提取43
• 5.4.2 算法性能测试43-45
• 5.5 本章小结45-47
• 第六章 总结与展望47-48
• 参考文献48-50
• 在学期间的研究成果50-51
• 致谢51

【参考文献】

中国期刊全文数据库 前5条

1 高发荣;王佳佳;席旭刚;佘青山;罗志增;;基于粒子群优化-支持向量机方法的下肢肌电信号步态识别[J];电子与信息学报;2015年05期

2 张瑞杰;李弼程;魏福山;;基于多尺度上下文语义信息的图像场景分类算法[J];电子学报;2014年04期

3 湛宁;;多特征和SVM相融合的三维物体识别方法[J];计算机仿真;2013年03期

4 宋相中;陈昌洲;闵顺耕;何雄奎;李铮;米津锐;张录达;;近红外光谱法最小二乘双胞胎支持向量机的应用研究[J];分析化学;2012年06期

5 叶美盈,汪晓东,张浩然;基于在线最小二乘支持向量机回归的混沌时间序列预测[J];物理学报;2005年06期

中国博士学位论文全文数据库 前4条

1 申彦;大规模数据集高效数据挖掘算法研究[D];江苏大学;2013年

2 李自强;大规模文本分类的若干问题研究[D];电子科技大学;2013年

3 贺新颖;基于支持向量机的认知无线电若干关键技术研究[D];北京邮电大学;2009年

4 段华;支持向量机的增量学习算法研究[D];上海交通大学;2008年

中国硕士学位论文全文数据库 前4条

1 刘凯;双支持向量机的改进及其应用[D];兰州大学;2013年

2 徐新功;支持向量机增量学习算法研究[D];西安电子科技大学;2012年

3 吴慧;新的支持向量机增量学习算法[D];西安电子科技大学;2009年

4 黄琼英;支持向量机多类分类算法的研究及应用[D];河北工业大学;2005年

，

本文编号：751043