用其中一半数据采用非线性SVM算法设计分类器并画出.docVIP

PAGE \* MERGEFORMAT 1 对“data3.m”数据，用其中一半的数据采用非线性SVM算法设计分类器并画出决策面，另一半数据用于测试分类器性能。比较不同核函数的结果。（注意讨论算法中参数设置的影响。） 1、非线性SVM算法 支持向量机中对于非线性可分的情况，可使用一个非线性函数把数据映射到一个高位特征空间，再在高位特征空间建立优化超平面，分类函数变为： 式1 一般无法知道的具体表达，也难以知晓样本映射到高维空间后的维数、分布等情况，不能再高维空间求解超平面。由于SVM理论只考虑高维特征空间的点积运算，而点积运算可由其对应的核函数直接给出，即，用内积代替最优分类面中的点积，就相当于把原特征空间变换到了某一新的特征空间，得到新的优化函数： Max: 式2 s.t ， 求解上述问题后得到的最优分类函数是： 式3 式3中的求和实际上只对支持向量进行。b是分类阀值，可以用任一个支持向量求得，或通过两类中任意一对支持向量取中值求得。其中核函数可以有多种形式，常用的有：（1）线性核，；（2）多项式核：，d是自然数；（3）Radial Basis Fuction(RBF)核（径向基核）：. 支持向量机的一个显著特点是，计算的复杂度程度与输入空间映射称的核空间的维数无关。因此，就没有了维数问题。换言之，人们在高维空间中进行设计，不必使用大量参数的显模式，它由空间的高维数决定。这也对扩展性产生了影响，而实际上SVM具有很好的扩展性。 支持向量机的一个局限是，知道目前为止也没有最佳方法选择核函数。这仍是一个未解决的问题。一旦选择了核函数，核参数以及代价函数中的平滑参数就能使分类器误差性能达到最优。的确，这些参数对于分类器性能改进及其重要。 支持向量机已经应用到许多不同的领域中，如手写数字识别、目标识别、人的身份认证、字符信息分类、信道均衡以及医学成像。这些应用表明，SVM分类器具有很好的扩展性，这就是支持向量机的优势。 2、.非线性SVM的代码 clear all; close all; x1(1,1)=1.8796; x1(1,2)=1.8041; x1(2,1)=2.6801; x1(2,2)=2.7526; x1(3,1)=3.6284; x1(3,2)=1.3313; x1(4,1)=4.7302; x1(4,2)=3.0267; x1(5,1)=5.7865; x1(5,2)=0.3089; x1(6,1)=7.1831; x1(6,2)=2.9453; x1(7,1)=7.2395; x1(7,2)=3.6268; x1(8,1)=8.0763; x1(8,2)=4.9714; x1(9,1)=9.9172; x1(9,2)=3.9551; x1(10,1)=11.7397; x1(10,2)=3.9500; x1(11,1)=12.8685; x1(11,2)=2.4619; x1(12,1)=12.5289; x1(12,2)=3.5313; x1(13,1)=13.3206; x1(13,2)=4.4376; x1(14,1)=15.7457; x1(14,2)=0.9094; x1(15,1)=15.4758; x1(15,2)=5.2898; x1(16,1)=17.2917; x1(16,2)=5.2197; x1(17,1)=18.9338; x1(17,2)=3.7324; x1(18,1)=19.3299; x1(18,2)=2.0778; x1(19,1)=20.7408; x1(19,2)=5.2698; x1(20,1)=20.0199; x1(20,2)=3.5670; x1(21,1)=21.2740; x1(21,2)=4.7658; x1(22,1)=23.6375; x1(22,2)=3.3211; x1(23,1)=23.8603; x1(23,2)=6.1293; x1(24,1)=25.7806; x1(24,2)=1.8003; x1(25,1)=26.4698; x1(25,2)=4.3295; x1(26,1)=27.3746; x1(26,2)=3.1499; x1(27,1)=27.6922; x1(27,2)=6.1123; x1(28,1)=28.3321; x1(28,2)=3.6388; x1(29,1)=29.3112; x1(29,2)=5.5035; x1(30,1)=30.3822; x1(30,2)=2.5172; x1(31,1)=31.8449; x1(31,2)=4.1858; x1(32,1)=33.7120; x1(32,2)=5.0