局部支持向量机的研究及其在分类中的应用

发布时间：2017-11-27 07:08

  本文关键词：局部支持向量机的研究及其在分类中的应用

  更多相关文章： 局部支持向量机 k最近邻 聚类 邻域核函数 分类

【摘要】：支持向量机(SVM)是基于统计学习理论提出的一种有监督的机器学习算法。其使用结构风险最小化原则,在解决小样本问题中具有诸多优势。支持向量机借助于核函数能够有效解决非线性可分和维数灾难问题。但支持向量机的全局化思想并不蕴含一致性且不能够有效处理非凸数据集。通过引入局部学习算法提出的局部支持向量机能够充分利用样本的局部信息,并且满足算法的一致性要求。本文主要对局部支持向量机(SVM-KNN)进行研究,针对局部支持向量机在分类中存在的问题提出了几种改进思路。论文的主要研究工作如下:(1)提出了一种基于聚类的快速局部支持向量机算法,该算法相比于局部支持向量机算法具有较高的分类精度和效率。针对局部支持向量机分类效率较低的问题,改进局部支持向量机选取待分类样本k个近邻样本的效率,提出了快速局部支持向量机算法(FKNN-SVM)。为验证FKN N-SVM算法对分类效率的影响,本文使用FKNN-SVM、SVM-KNN和SVM三种算法在玉米图像上进行对比实验。实验结果表明FKNN-SVM算法在分类效率上优于SV M-KNN算法。为进一步提高FKNN-SVM算法的分类效率和精度,将聚类算法与FKNN-SVM算法进行结合,提出了基于聚类的快速局部支持向量机算法(CFKNN-SVM)。使用UCI数据集和树皮图像数据集进行验证,结果表明CFKNN-SVM算法的分类精度和效率优于FKNN-SVM和SVM-KNN算法。(2)提出了一种适用于不平衡数据的局部支持向量机算法,该算法能够提高正类样本的分类精度。不平衡数据存在于入侵检测、医疗检测等领域。在不平衡数据集的分类问题中,数据量少的正类往往具有更重要的价值。本文通过在局部支持向量机的基础上引入聚类算法,提出了适用于不平衡数据的局部支持向量机算法(CLSVM)。该算法在尽量保持原始样本信息的前提下,借助于聚类算法解决待分类样本k个近邻样本的同态不平衡问题,从而提高正类样本的分类准确率。使用UCI数据集进行仿真实验,结果表明,CLSVM算法能够提高正类样本的分类准确率。(3)提出了一种基于邻域核函数的局部支持向量机,该算法能够直接利用非结构化图像数据构建分类模型。图像分类一直是机器学习研究的热点,而局部支持向量机无法直接利用图像等非结构化信息进行分类。本文将邻域核函数引入到局部支持向量机中,提出了基于邻域核函数的局部支持向量机(Neighborhood-LSVM)。Neighborhood-LSVM算法能够直接利用图像像素点的邻域变化信息构建分类模型。本文在树皮图像数据集上进行分类实验验证,实验结果表明Neighborhood-LSVM算法在图像分类上的准确率高于SVMKNN和SVM。
【学位授予单位】：山东农业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP181

【相似文献】

中国期刊全文数据库 前10条

1 吴娟;范玉妹;王丽;;关于改进的支持向量机的研究[J];攀枝花学院学报;2006年05期

2 刘硕明;刘佳;杨海滨;;一种新的多类支持向量机算法[J];计算机应用;2008年S2期

3 尹传环;牟少敏;田盛丰;黄厚宽;;单类支持向量机的研究进展[J];计算机工程与应用;2012年12期

4 王云英;阎满富;;C-支持向量机及其改进[J];唐山师范学院学报;2012年05期

5 李逢焕;;试述不确定支持向量机应用分析及改进思路[J];中国证券期货;2012年12期

6 邵惠鹤;支持向量机理论及其应用[J];自动化博览;2003年S1期

7 曾嵘,蒋新华,刘建成;基于支持向量机的异常值检测的两种方法[J];信息技术;2004年05期

8 张凡,贺苏宁;模糊判决支持向量机在自动语种辨识中的研究[J];计算机工程与应用;2004年21期

9 魏玲,张文修;基于支持向量机集成的分类[J];计算机工程;2004年13期

10 沈翠华,邓乃扬,肖瑞彦;基于支持向量机的个人信用评估[J];计算机工程与应用;2004年23期

中国重要会议论文全文数据库 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年

7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

10 侯澍e，

本文编号：1230999