一种基于局部线性嵌入的SVM学习算法

发布时间：2024-12-04 22:24

　　随着近年来网络技术的快速发展,相应的数据规模也在飞速地增长。对于高维数据分类时SVM的耗时较长计算复杂度较高。虽然PCA-SVM对高维数据分类速率较快,但准确率相对较低。本文在研究非线性降维方法特点的基础之上,提出一种利用LLE方法对SVM进行改进的算法,对高维数据进行LLE降维后采用SVM方法进行分类。结合增量思想实现了基于局部线性嵌入(LLE)的SVM增量学习过程(LLE-ISVM),并将该算法用于MNIST数据库测试和瓷片表面缺陷的分类过程。对于较复杂的含有少量有标签、大量无标签数据集,提出了半监督的TSVM方法,利用LLE方法对其进行修正与改进。实验结果表明,LLE-SVM增量算法对高维数据的运算速度与精度都有所提高,能实现完整增量学习过程,能较为准确快速地实现磁片表面的缺陷分类过程。本文主要内容工作如下:(1)查阅了大量国内外关于SVM、增量学习、流形学习、半监督方法的文献,对于目前传统SVM方法对高维数据处理所存在的问题,提出了一些改进方法。介绍了机器学习、流形学习方法的现状与背景,为下文的算法设计提供了基础。(2)研究了经典的SVM方法,并提出了利用非线性流形方法对其进行降...

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景及意义
    1.2 流形学习方法研究背景与现状
    1.3 本文的研究内容
    1.4 论文的章节安排
第2章 机器学习与SVM理论概述
    2.1 机器学习理论
        2.1.1 机器学习概念
        2.1.2 机器学习分类
    2.2 支持向量机SVM方法
        2.2.1 支持向量机算法
        2.2.2 核函数
    2.3 半监督学习
        2.3.1 半监督学习现状
        2.3.2 半监督学习假设
    2.4 本章小结
第3章 基于LLE的SVM增量学习算法
    3.1 引言
    3.2 基于LLE的SVM分类方法研究
        3.2.1 支持向量机（SVM）研究
        3.2.2 用于数据降维的流形学习方法分析
        3.2.3 线性流形学习方法及PCA-SVM研究
        3.2.4 非线性流形方法研究及SVM改进
    3.3 基于LLE的SVM增量算法研究
        3.3.1 对LLE-SVM的改进方法分析
        3.3.2 增量PCA-SVM算法
        3.3.3 增量LLE-SVM算法
    3.4 数据测试
        3.4.1 手写数据库MNIST测试
        3.4.2 瓷片表面缺陷分类测试
    3.5 本章小结
第4章 基于LLE的半监督SVM方法
    4.1 引言
    4.2 半监督增量SVM学习研究分析
        4.2.1 半监督SVM研究
        4.2.2 直推式支持向量机研究
        4.2.3 LLE-TSVM算法及增量算法
    4.3 数据测试
        4.3.1 手写数据库MNIST测试
        4.3.2 瓷片图像的分割及分类测试
    4.4 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读学位期间参加的科研项目和成果



本文编号：4014269