- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
一种改进的支持向量分类机.pdf
中国电机工程学会第十届青年学术会议 ·吉林
一种改进的支持向量分类机
郑媛媛 1 2 1
杨鹏 冀香雅
(1 东北电力大学自动化工程学院 吉林 吉林 132012
2 东北电力大学理学院 吉林 吉林 132012)
摘要:通过对支持向量机原理的分析,将凸壳理论用于支持向量机中,用凸壳顶点集来代替整个样本集来训练,运用
实际数据进行仿真,仿真结果表明,本文方法在学习性能和推广性能方面与采用整个样本集基本相同,但降低了存储空间,
提高了学习速度。
关键词:支持向量分类机;凸壳
1.引言
[1]
支持向量机( support vector machine ,SVM) 是基于统计学习理论,借助于最优化方法解决机器学
习问题的新工具。 它根据有限的样本信息在模型的复杂性和学习能力之间寻求一种最佳折衷, 以期获得
最好的泛化能力。支持向量机的理论基础决定了它最终求得的是全局最优值而不是局部极小值,从而也保
证了它对未知样本的良好泛化能力。正因为此, 方法一经提出就引起了广泛的重视, 并成为研究的热点。
近几年来在其理论研究和算法实现方面都取得了突破性进展,成为克服“维数灾难”和“过学习”等传统
困难的有力手段. 在数据挖掘、图像压缩、文本识别、人脸检测等实际问题中获得成功应用。
2.支持向量机理论
支持向量机是Vapnik于1995年首先提出来的,近年来受到了广泛的关注,它在分类问题上,尤其是针
对小样本问题表现除了优异的性能。支持向量机[2]是建立在计算学习理论的结构风险最小化原理之上的。
其主要思想是针对两类分类问题,在高维空间中寻找一个超平面作为两类分割,以保证最小的分类错误率,
即统计学习理论的结构风险最小化。
SVM是一个现行分类面 b x
g (x ) (ω, x ) =+b ,((ω, x ) 是向量 和 的内积),使对于所有训练样本,有:
|| g (x ) 1|| ,满足上述条件的|| ω|| 最小的分类面为最优分类面。在线性可分的情况下,可以假设线性分
类面的形式为:
g (x ) ωx +b 0 (1)
将判别函数归一化,使得两类所有样本都满足g | (x ) | 1,即
y [(ωx +b )]?1≥0,i 0,1,2,L,n (2)
i
其中,y i =±1是样本的类别标记,是相应的样本。也就是使得离分类面最近的样本成立| g (x ) 1| ,这样
样本的分类间隔就等于X {x ,x ,L,x } 。设计的目标就是要使得这个间隔值最小。由此可以定义
文档评论(0)