基于人为误差的支撑向量机.pdfVIP

摘 要 内容摘要：支持向量机是Vapnik等人提出的一种以统计学习理论为基 础的机器学习方法，它以结构风险最小化代替经验风险最小化作为 优化准则，在最小化样本点误差的同时缩小模型预测误差的上界， 从而提高了模型的泛化能力，即使在小训练样本的情况下理论上也 可以得到很好的效果． 对于分类问题，支持向量机的基本思想是在线性情况下，在原 空间寻找两类样本的最优分类超平面；而在非线性的情况下，是通 过一个非线性映射将输入数据映射到一个高维内积空间并在这一高 维特征空间中寻找最优分类超平面，因此可以很好的解决样本高维 问题．另外，支持向量机通过解一个线性约束的二次规划问题得到全 局最优解． 本文以解决分类问题为目标，对支持向量分类机从理论和模型 等方面进行深入研究，主要工作如下： ◆从两类训练样本近似线性可分的情况入手，本文对传统的支 持向量机算法及其变形算法进行分析和研究． ◆通过对传统的支持向量机算法及其变形算法的分析和研究， 考虑当训练集数据有较大人为误差参与的情况．本文以训练集数据受 到较大的人为误差影响为出发点，研究了当训练集数据含有人为误 差时如何保障其算法精度的问题，提出了基于人为误差的支持向量