支持向量机与神经网络的融合优化及其在数据挖掘中的应用

发布时间：2017-12-23 13:01

本文关键词：支持向量机与神经网络的融合优化及其在数据挖掘中的应用　出处：《深圳大学》2017年硕士论文　论文类型：学位论文

更多相关文章： RBFNN SVM SRmix算法 算法融合

【摘要】：不可置否,大数据是当下社会最关注的焦点问题之一。云计算,人工智能,智慧城市等新兴行业的背后都离不开大数据算法的支撑与贡献。然而,国内外学者对于大数据算法的横向研究略显不足,这会在一定程度上制约算法发展的广度,故本文以支持向量机(Support Vector Machine,SVM)和径向基神经网络(Radial Basis Function Neural Networks,RBFNN)为研究对象,深入挖掘两种算法之间的关系,并提出一种基于已有RBF网络的优化模型,主要研究内容如下:首先,采用溯源的方法分别研究了支持向量机与RBF神经网络的设计思想、核心参数和优化策略。这有利于从两种算法的本质特征来发现问题,为后文详细分析两者之间的联系及融合出新模型奠定了坚实的理论基础。其次,借助于正则化的理论并结合支持向量机与RBF神经网络各自的核心因素,本文分别从两种网络的构建思想、添加约束条件与公式化推导三个层面来分别阐述两者之间的关系,从直观到抽象,由浅入深,为提出SRmix(说明:SRmix简称是将SVM与RBFNN各取首字母并结合单词mixture构造而成,表示两种算法的融合)模型构建了扎实的理论框架。接着,论文提出了SRmix模型。相对于已有的RBF网络,SRmix模型做了以下几点改进:第一,聚类支持向量机中的支持向量来获得更精准的隐含层网络中心,同时可以有效地避免RBF神经网络发生过拟合的现象。第二,对于构造推广能力较强的算法而言,网络权值的调整策略要远大于其赋值策略,甚至需要摒弃一些精细的赋值算法。第三,RBF网络中的扩展常数用核函数为RBF的支持向量机中的扩展常数来替换,并进行双向搜索,这有助于提高算法的参数寻优效率。第四,根据程序的停止条件动态循环地向RBF网络的隐含层添加神经元,逐步改善网络的运算能力,从而有效地解决网络运算能力不足与网络运算负担过重的问题。最后,设计实验来验证SRmix模型的性能。实验分为两个部分:第一,针对UCI基准数据库设计了一系列不同维度数据集的对比实验。第二,将SRmix模型应用于解决一个运动识别的问题。实验结果表明,SRmix模型相比于BP网络和支持向量机具有较高的算法稳定性与泛化能力,它提供了一种切实可行的算法融合思路。
【学位授予单位】：深圳大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP18;TP311.13

【参考文献】