支持向量机的特征选择和模糊支持向量机上的研究

发布时间：2017-04-12 08:04

  本文关键词：支持向量机的特征选择和模糊支持向量机上的研究，由笔耕文化传播整理发布。

【摘要】：随着互联网的发展及数字化时代的来临,产生了越来越多的高维数据。尽管这些数据非常值得学习和研究,但维数的增加意味着要花费更多的时间去计算,并且在机器学习中,容易产生过拟合现象。在处理分类问题的过程中,特征选择被证明可以有效的应对高维数据。特征选择致力于去除数据的不相关或多余特征。通过寻找原问题的一个特征子集,特征选择可以有效地降低数据的维数。从而,在机器学习过程中,非常值得去研究如何进行特征选择。近年来,虽然许多特征选择方法被提出,但很少有人考虑特征之间的相关性。本文提出了一种新的特征选择方法,以特征间的相关性作为特征选择的依据,考虑应用单一特征等价的代替其他与之相关的特征,从而达到寻找特征子集,降低数据维数的目的。实验结果表明,此方法在保持分类正确率的前提下,可以有效减少特征的个数。此外,由于各种客观原因,数据中不可避免出现噪音数据,从而给机器学习带来困难,影响机器学习的结果。模糊支持向量机,作为传统支持向量机的一种改进模型,提出了隶属度的概念。通过赋予正常的样本点较高的隶属度,相反的,赋予噪音较低的隶属度,可以有效的降低噪音对机器学习的影响。本文提出应用将样本点到超平面间距离与样本点密度相结合的方法,计算模型的隶属度。实验结果表明,此方法可以有效提高支持向量机分类的正确率。
【关键词】：支持向量机 特征选择 模糊支持向量机 隶属度
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP181
【目录】：

• 摘要4-5
• Abstract5-8
• 第1章 绪论8-14
• 1.1 研究背景与意义8-9
• 1.2 国内外研究现状9-11
• 1.3 研究内容与目标11-12
• 1.4 论文的组织结构12-14
• 第2章 支持向量机的相关理论及常用模型14-22
• 2.1 线性支持向量机14-15
• 2.2 非线性支持向量机15-18
• 2.3 模糊支持向量机18-19
• 2.4 统计学习理论19-20
• 2.5 本章小结20-22
• 第3章 新的特征选择方法22-34
• 3.1 基本思路22
• 3.2 筛选标准22-23
• 3.3 向前方法具体过程23-25
• 3.4 向后方法具体过程25-26
• 3.5 综合阐述26-27
• 3.6 数值实验27-32
• 3.6.1 实验设计27-28
• 3.6.2 向前方法实验结果28-31
• 3.6.3 向后方法实验结果31-32
• 3.6.4 参数分析32
• 3.7 本章小结32-34
• 第4章 一种新的模糊支持向量机隶属度的表达式34-42
• 4.1 标准模糊支持向量机34
• 4.2 隶属度的选取34-38
• 4.2.1 线性核函数下隶属度的选取34-36
• 4.2.2 非线性核函数下隶属度的选取36-38
• 4.3 数值实验38-40
• 4.3.1 实验设计38-39
• 4.3.2 实验结果39-40
• 4.4 本章小结40-42
• 结论42-44
• 参考文献44-48
• 致谢48

【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：301040