种新型支持向量机.PDFVIP

2005年2月 重庆大学学报(自然科学版) Feb．2005 第28卷第2期 Journal of Chongqing University(Natural Science Edition) Vol_28 No．2 文章编号：1000—582X(2005)02—0081—04 一 种新型支持向量机 杨 强 ，吴 中福 ，余 萍 ，钟 将 (1．重庆大学计算机学院，重庆 400030；2．盐城师范学院计算机系，2r-苏盐城 224002) 摘 要：讨论了现有的用于分类的支持向量机(SVM)所确定的边界在抗干扰方面的局限性。在此 基础之上提出了一种新型支持向量机，即基于边界调节的支持向量机，并利用K—T条件得到了这种支 持向量机的对偶目标函数。通过对人工数据集和真实数据集的仿真实验表明，相对于L1一SVM而言， 基于边界调节的支持向量机具有更少的支持向量和更好的推广性能。 关键词：支持向量机SVM；最优超平面；核函数；二次规划 中图分类号：TP181 文献标识码：A 由于引入了结构风险最小化原则，使得支持向量 空间中不能正确分类的数据集就利用非线性变换 机比传统的统计学习方法具有更为坚实的理论基础。 ( )，i=1，2，…，Z，将样本映射到某一更高维的特征 支持向量机在数学上所具有的二次规划形式及其在分 空间中，使样本在这个高维的特征空间中可实现正确 类、回归分析和密度估计等方面所表现出来的良好性 分类。在特征空间中样本之间的内积用核函数k(x ， 能，使它越来越受到从事神经网络、模式识别和数据挖 )表示。在学习中，为了防止过学习现象，允许一定 掘等领域的学者们的关注。现在，支持向量机已经成 的经验风险的存在，为此在目标函数中引入松弛变量。 为神经网络的一个重要分支，也是从事模式识别和数 这种引入松弛变量的方法是目前用支持向量机进行学 据挖掘等领域的重要研究手段。 习的最主要方法。由于L1一SVM具有广泛的代表性， 但是，根据目前通用的方法所得到的支持向量机 在这里对L1一SVM进行概略的介绍。L1一SVM的目 存在抗干扰能力差，对噪声信号敏感等问题H J。对 标函数为 (以下论述中，采用非核函数形式)： 野点给予适当的处理一直是与支持向量机密切相关的 l 1 一 个重要论题。人们为此也提出了不同形式的支持向 rain -5-w · +C’ + ∑￡ 考i 量机，例如L1一SVM、1．2一SVM、 一SVM等。近年来 — i=l S．t． ；≥ 0， i=1，2，… ，Z 还提出了模糊支持向量机 和经验风险最小化的 Y。( ‘ 。一b)≥1一 。 (1) SVM 。各种SVM在不同的样本集中，有不同的推广 其中·表示内积运算，C为一个大于0的常数。根据 性能，但目前还