基于支持向量机的核学习研究

发布时间：2020-12-19 04:44

　　支持向量机作为一种发展成熟的机器学习算法,已在各领域得到广泛应用,但核参数的选择一直是影响支持向量机算法效果的核心问题.因为计算时间复杂度低且表现效果良好,独立于支持向量机的核学习准则在近年来广受青睐.本文介绍了两种典型的核学习准则,即基于核对齐思想的中心化核排列(Centered Kernel Target Alignment,CKTA)和基于聚类思想的核余弦相似度(Cosine Similarity of Kernel,CSK),并分别对它们进行了改进.针对CKTA将正常样本点和离群点同等对待,可能会影响样本在特征空间中的可分性,提出通过训练集对应的近邻矩阵中同类样本的比例来重构理想核矩阵,得到了新的局部中心化核排列(New Local Centered Kernel Target Alignment,NLCKTA),并基于最大化NLCKTA的取值推导出了其对应的多核学习方法.针对CSK取值不具有理论上的非负性而不易推广到多核学习的问题,通过将其同类平均余弦相似度拆分为正类平均余弦相似度和负类平均余弦相似度得到了新的核余弦相似度(New Cosine Similarity of K... 

【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 选题背景及研究意义
    1.2 国内外研究现状
    1.3 本文的研究内容
    1.4 本文的组织框架
第二章 预备知识
    2.1 核函数概念及性质
    2.2 支持向量机理论
    2.3 支持向量机分类的理论背景
    2.4 本章小结
第三章 新的核学习方法
    3.1 常用核函数
    3.2 核参数对高斯核与多项式核的影响
    3.3 基于核对齐思想的原始核学习方法中心化核排列
    3.4 基于核对齐思想的改进的核学习方法
    3.5 基于聚类思想的原始核学习方法核余弦相似度
    3.6 基于聚类思想的改进的核学习方法
    3.7 计算复杂度分析
    3.8 本章小结
第四章 数值仿真实验
    4.1 实验设置
    4.2 单核学习实验
    4.3 多核学习实验
    4.4 本章小结
第五章 总结与展望
参考文献
致谢


【参考文献】：
期刊论文
[1]基于图论的支持向量机核函数选择[J]. 梁礼明,陈明理,刘博文,吴健.  计算机工程与设计. 2019(05)
[2]基于ADEGWO-SVM的机载燃油泵寿命预测研究[J]. 焦晓璇,景博,李娟,孙萌,王赟.  仪器仪表学报. 2018(08)
[3]核极化优化多参数高斯核的特征选择算法[J]. 张文兴,陈肖洁.  机械设计与制造. 2018(05)
[4]普适性核度量标准比较研究[J]. 王裴岩,蔡东风.  软件学报. 2015(11)
[5]高斯核函数选择的广义核极化准则[J]. 田萌,王文剑.  计算机研究与发展. 2015(08)
[6]支持向量机核函数选择研究与仿真[J]. 梁礼明,钟震,陈召阳.  计算机工程与科学. 2015(06)
[7]基于统计检验的核函数度量方法研究[J]. 王裴岩,蔡东风.  计算机科学. 2015(04)
[8]基于混合核函数FOA-LSSVM的预测模型[J]. 周金明,王传玉,何帮强.  计算机工程与应用. 2015(04)
[9]多尺度核方法的自适应序列学习及应用[J]. 汪洪桥,蔡艳宁,孙富春,赵宗涛.  模式识别与人工智能. 2011(01)
[10]基于蚁群优化算法的支持向量机参数选择及仿真[J]. 刘春波,王鲜芳,潘丰.  中南大学学报(自然科学版). 2008(06)



本文编号：2925275