基于交替乘子方向法的非平行支持向量机研究
发布时间:2020-12-10 19:44
非平行支持向量机是支持向量机的延伸和扩展,且其可以划分具有交叉流行结构的数据。交替乘子方向法是一种适用于可分离凸规划问题的简单而有效的方法,近年来,该算法由于在众多领域具有高效的实际应用而备受关注。因此,本文将交替乘子方向法应用于求解非平行支持向量机,从而得到几个基于交替乘子方向法的非平行支持向量机。本文的研究内容主要分为以下两个部分:第一部分首先介绍了传统的限定双子支持向量机,然后在其基础上,构造基于交替乘子方向法的L2-模限定双子支持向量机模型,并得出其相应的求解算法,本文证明了它的收敛性。由于L2-模正则项使解失去了稀疏性,且对噪声和离群点较为敏感,因此,为了降低该方法对噪声和离群点的敏感性,本文用L1-模正则项取代模型中的L2-模正则项,从而得到基于交替乘子方向法的L1-模限定双子支持向量机模型,并得出其相应的求解算法。本文在UCI数据集上的几个数值实验验证了本算法的有效性。第二部分首先介绍了双侧最佳拟合超平面分类机,由于它是一个非凸问题,因此它可以通过使用凹凸过程来对...
【文章来源】:浙江工业大学浙江省
【文章页数】:70 页
【学位级别】:硕士
【部分图文】:
最大化间隔支持向量机通过上下平移产生的超平面将样本最大间隔分隔开,其求解变量w
分别拟合一类样本而同时远离另一类样本。但不远离拟合超平面的一类样本位于拟合超平面的一允许远离拟合超平面的一类样本位于拟合超平面本保持一定的距离。此外,双侧最佳拟合超平面样本分别使用了两个不同的对称斜坡损失函数,化问题,该方法同样适合求解大规模问题且所得佳拟合超平面分类机同样在 n 维空间中构造如(对于第一个超平面,线性双侧最佳拟合超平面分行超平面1 11Tw x b 和1 11Tw x b 之间, 面 的 两 侧 且 与 正 类 样 本 保 持 至 少12 / w,具体思想如图 2.2 所示,其中 0,1 是一个自类样本,蓝色“*”表示负类样本。
浙江工业大学硕士学位论文其中: pos 1 s2R a H a H a 为斜坡损失函数, neg 1sR a H a H a , max 0, tH a t a为合页损失函数。s 1,0 是一个控制对称斜坡损失函数中平坦部分宽度的参数,对称斜坡损失函数具体如图 2.3 所示。
【参考文献】:
期刊论文
[1]支持向量机动态多分类方法[J]. 房汉鸣,税爱社,汪辉,宗福兴. 后勤工程学院学报. 2017(02)
[2]改进支持向量机的网络流量预测[J]. 王雪松. 计算机系统应用. 2017(03)
[3]基于支持向量机的车辆驾驶行为识别研究[J]. 祝俪菱,刘澜,赵新朋,杨达. 交通运输系统工程与信息. 2017(01)
[4]模糊聚类光滑支持向量机[J]. 刘三阳,吴德. 控制与决策. 2017(03)
[5]基于层次支持向量机的脉搏信号情感识别[J]. 杜昭慧,司玉娟. 吉林大学学报(信息科学版). 2017(01)
[6]基于粒子群的支持向量机图像识别[J]. 韩晓艳,赵东. 液晶与显示. 2017(01)
[7]神经网络和支持向量机在认知诊断中的应用[J]. 汪文义,丁树良,宋丽红,邝铮,曹慧媛. 心理科学. 2016(04)
[8]SVM支持向量机在遥感图像中的应用研究[J]. 纪凯,韩栋. 湖南城市学院学报(自然科学版). 2016(03)
[9]线性预测编码和支持向量机在目标识别中的应用[J]. 陈文青. 舰船科学技术. 2016(02)
[10]支持向量机在语音识别中的应用[J]. 高家宝. 软件导刊. 2015(01)
本文编号:2909268
【文章来源】:浙江工业大学浙江省
【文章页数】:70 页
【学位级别】:硕士
【部分图文】:
最大化间隔支持向量机通过上下平移产生的超平面将样本最大间隔分隔开,其求解变量w
分别拟合一类样本而同时远离另一类样本。但不远离拟合超平面的一类样本位于拟合超平面的一允许远离拟合超平面的一类样本位于拟合超平面本保持一定的距离。此外,双侧最佳拟合超平面样本分别使用了两个不同的对称斜坡损失函数,化问题,该方法同样适合求解大规模问题且所得佳拟合超平面分类机同样在 n 维空间中构造如(对于第一个超平面,线性双侧最佳拟合超平面分行超平面1 11Tw x b 和1 11Tw x b 之间, 面 的 两 侧 且 与 正 类 样 本 保 持 至 少12 / w,具体思想如图 2.2 所示,其中 0,1 是一个自类样本,蓝色“*”表示负类样本。
浙江工业大学硕士学位论文其中: pos 1 s2R a H a H a 为斜坡损失函数, neg 1sR a H a H a , max 0, tH a t a为合页损失函数。s 1,0 是一个控制对称斜坡损失函数中平坦部分宽度的参数,对称斜坡损失函数具体如图 2.3 所示。
【参考文献】:
期刊论文
[1]支持向量机动态多分类方法[J]. 房汉鸣,税爱社,汪辉,宗福兴. 后勤工程学院学报. 2017(02)
[2]改进支持向量机的网络流量预测[J]. 王雪松. 计算机系统应用. 2017(03)
[3]基于支持向量机的车辆驾驶行为识别研究[J]. 祝俪菱,刘澜,赵新朋,杨达. 交通运输系统工程与信息. 2017(01)
[4]模糊聚类光滑支持向量机[J]. 刘三阳,吴德. 控制与决策. 2017(03)
[5]基于层次支持向量机的脉搏信号情感识别[J]. 杜昭慧,司玉娟. 吉林大学学报(信息科学版). 2017(01)
[6]基于粒子群的支持向量机图像识别[J]. 韩晓艳,赵东. 液晶与显示. 2017(01)
[7]神经网络和支持向量机在认知诊断中的应用[J]. 汪文义,丁树良,宋丽红,邝铮,曹慧媛. 心理科学. 2016(04)
[8]SVM支持向量机在遥感图像中的应用研究[J]. 纪凯,韩栋. 湖南城市学院学报(自然科学版). 2016(03)
[9]线性预测编码和支持向量机在目标识别中的应用[J]. 陈文青. 舰船科学技术. 2016(02)
[10]支持向量机在语音识别中的应用[J]. 高家宝. 软件导刊. 2015(01)
本文编号:2909268
本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2909268.html