基于核参数优化的支持向量机在多分类问题中的应用研究

发布时间：2021-06-17 05:53

　　支持向量机对分类问题的有效解决能力,吸引力了大量科研工作者的关注.对支持向量分类器模型的应用改进,成为了新的研究方向和关注领域.由于分类问题样本数据集存在线性不可分和多分类的特点,通过核技巧解决样本空间线性不可分的问题,又使得支持向量模型在参数选取中产生较大的困难.核函数和对应参数的选择决定了支持向量机分类性能.本文主要内容如下:首先,在详细阐述了支持向量分类器的发展过程和国内外研究的基础上,分析了不同的支持向量分类器模型所适用分类问题的数据结构.研究了多分类模型的评价指标.其次,在分析和讨论网格搜索法,粒子群优化算法,遗传优化算法的基础上.提出了基于网格搜索法的改进的粒子群优化算法.并将优化过的多项式核支持向量机模型,应用到种子分类问题中.通过实验对比数据预处理后的种子数据集,多项式核支持向量机分类模型,在总体分类精度和个体分类精度两方面与其他算法比较具有优势.最后,针对客户等级分类问题,在数据预处理阶段应用箱型图法和最值归一化法做数据预处理,然后利用主成分分析,对数据做降维处理.通过实验对比高斯核和多项式核的支持向量机分类模型,以及网格搜索法,粒子群优化算法,遗传优化算法三种优化算... 

【文章来源】：兰州交通大学甘肃省

【文章页数】：93 页

【学位级别】：硕士

【部分图文】：

扩大范围粗搜索分类精度等高线图

兰州交通大学硕士学位论文-17-局部最优解的缺点,结合网格搜索法和粒子群优化算法的优点,提出基于网格搜索法缩小参数C,寻优范围,再用粒子群优化算法确定参数C,具体取值.改进的网格搜索法,首先利用较大步长和较大范围的搜索参数C,,然后计算对应坐标C,的5-fold交叉检验分类准确率,绘制分类准确率等高线图.如图3.3所示.图3.3扩大范围粗搜索分类精度等高线图图3.4给出了以采用步长为0.1,确定参数C,遍历范围,C的范围为7-622，,的范围为4-622，的网格搜索法对应的分类精度等高线图.图3.4缩小范围小步长搜索分类精度等高线图

箱型图

【参考文献】：
期刊论文
[1]基于SA-SVM的中文文本分类研究[J]. 郭超磊,陈军华.  计算机应用与软件. 2019(03)
[2]基于支持向量机的文本分类[J]. 李芸初.  中国新技术新产品. 2019(01)
[3]基于改进多层感知机的手写数字识别[J]. 何平,刘紫燕.  通信技术. 2018(09)
[4]支持向量机在文本分类中的研究与应用[J]. 张燕,姚志远,陈文社.  电脑编程技巧与维护. 2018(08)
[5]基于支持向量机的不均衡文本分类方法[J]. 高超,许翰林.  现代电子技术. 2018(15)
[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]基于主成分分析和PSO-SVM的树叶分类方法研究[J]. 杨志辉,胡红萍,白艳萍.  数学的实践与认识. 2016(18)
[8]改进的基于粒子群优化的支持向量机特征选择和参数联合优化算法[J]. 张进,丁胜,李波.  计算机应用. 2016(05)
[9]基于数据关系的SVM多分类学习算法[J]. 王文剑,梁志,郭虎升.  山西大学学报(自然科学版). 2012(02)
[10]基于支持向量机分类的图像识别研究[J]. 谈蓉蓉.  安徽农业科学. 2010(26)

博士论文
[1]支持向量机鲁棒性模型与算法研究[D]. 王快妮.中国农业大学 2015
[2]支持向量机分类方法及其在文本分类中的应用研究[D]. 赵晖.大连理工大学 2006

硕士论文
[1]数据归一化方法对提升SVM训练效率的研究[D]. 汤荣志.山东师范大学 2017
[2]基于多尺度核加权融合的支持向量机核函数优化方法的研究[D]. 陈洋洋.杭州电子科技大学 2017
[3]SVM参数寻优及其在分类中的应用[D]. 徐晓明.大连海事大学 2014
[4]主成分分析法研究及其在特征提取中的应用[D]. 陈佩.陕西师范大学 2014
[5]SVM核参数优化研究与应用[D]. 杨海.浙江大学 2014
[6]一种改进的约简支持向量机及其在锌净化过程软测量中的应用[D]. 张斌.中南大学 2010
[7]支持向量机中Sigmoid核函数的研究[D]. 刘明.西安电子科技大学 2009
[8]支持向量机核函数的研究[D]. 黄啸.苏州大学 2008
[9]基于支持向量机参数优化的群智能优化算法研究[D]. 李艳英.天津大学 2007
[10]支持向量机分类算法研究与应用[D]. 彭璐.湖南大学 2007



本文编号：3234607