基于 Pro 姐核函数 支 持 向量机及 其en.pdfVIP

第 35 卷 分析化学 (FENXIHUAXUE)研究报告 第 8期 2007年8月 ChinesejournalofAnalyticalC址mistry 1142一1146 基于Person姐核函数的支持向量机及其 在化学模式分类中的应用 郑启富”，3 陈德钊“刘化章， (浙江}_业大学浙西分校化1_系，衙州324000) 2(浙汀大学化工系，杭州311洲粗7) “(浙江 卜业大学化学工程与材料学院，杭州 310032) 摘 要 化学模式分类问题通常是非线性的，而且比较复杂，难以用经典统计方法建立分类判别模型。以支 持向量机 (sVM)构建的分类器具有更好的分类性能。对于非线性分类，SVM通过核函数将其映射到高维特 征空间中，然后再进行线性分类。因此，核函数往往是决定SVM非线性分类性能的关键。实际应用时，一般 通过选择几种核函数，并对其参数进行优化，然后根据分类器的预测性能来决定，训练过程非常耗时，而且结 果难以保证最优。为此，采用一种通用性的核函数.即Pe玛on 姐核函数(PUKF)，它可取代 目前常用的儿种核 函数，可避免SvM非线性分类器训练过程的核函数选择问题[木研究将基于PUKF的SVM分类器应用于两 个化学模式分类问题，均取得r较好的结果。对于多类分类，设计了一种子分类器的构造方法，它在分类性能 保持较好的情况下，简化了多类分类器结构 大大降低了计算量。 关键词 化学模式分类，支持向量机，Pe二on 珊核函数，分类器 1 引 言 化学对象的表现特征与内在性质通常存在定量或定性关系，可用模式分类(识别)技术对其进行关 联。支持向量机(，叩Portvectormachine，svM)是近年发展起来的一种模式分类方法，由于它基于结构 风险最小化原则，以它构建的分类器的泛化性能和鲁棒性能均较好[l刹。svM的非线性分类性能往往 取决于核函数队礴〕，对于不同性质的样本数据，应选择不同的核函数与之相适应，假如核函数选择不当， 所构建的svM分类器难以有好的分类效果陈，1 因此，采用一种通用核函数，通过核参数的调整，可适 应各种性质的样本数据，是非常有意义的}〔Pcr*11妞函数具有很好的“柔性”，通过调整参数，可实现峰 形分布从Gaussia。型曲线向Lo、ntziall型曲线等变化冈。文献[钊研究了基于Peoon珊核函数的svM 在回归建模中的应用，并取得了好的结果，但将它应用于模式分类的研究却鲜见报道。为此，研究了基 于R”二，，n妞核函数的SVM在化学模式二类和多类分类中的应用，并与基于其它核函数的SVM进行比 较，结果表明了Person珊核函数的优越性。 2 基本原理 2.1 支持向量机 设有容量为1的样本集}x，y，}，x，E砂为模式向量，y。。{一1，+1为‘类别标号。为实现线性分 类，支持向量机方法将根据结构风险最小化原则 通过求解带约束的二次规划问题得到决策函数陇71: 对(x)二。邵(w，x+)“=g“n(蓦(a，x，x+b)) 式中。即(·)为符号函数， ·，·为矢量内积，与。，护0对应的样本x，即为支持向量(5叩Port tor，sv)。决策函数相当于n维空问的超平面，将样本模式分为两类。 对于非线性分类，用核函数创x，x)代替式(1)中的内积x，x，这相当于作非线性映射中(x) : R。一一F，F称为uilbert特征空间，然后在F中构建最优超平而，仍用线性分类器完成分类。 2仪拓一11御 收稿;2加7狈司1接受 本义系国家 自然科学基金资助项 口(N *E一mall:山engqjfu@126e帅 万方数据 第 8期 郑启富等:基于Per，n妞核函数的支持向量机及其在化学模式分类中的应用 1143 2.Z Person姐函数 用于曲线拟合的Pel，on 珊函数的一般形式如式(2)所示: f(x)=H/[1+(2(x一x。)丫21彻‘，一]/，)“]“ (2) 式中二为自变量