基于支持向量机的算法及其应用研究-计算机应用技术专业论文.docxVIP

万方数据 万方数据 烟台大学学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明： 所呈交的学位论文，是本人在导师的指导下，独立进行研究工 作所取得的成果。除文中已经注明引用的内容外，本论文不含任何其他个人或集体 已经发表或撰写过的作品或成果。对本文的研究做出重要贡献的个人和集体，均已 在文中以明确方式标明。本声明的法律结果由本人承担。 论文作者签名： 日期： 年 月 日 学位论文使用授权说明 本人完全了解烟台大学关于收集、保存、使用学位论文的规定，即： 按照学校要求提交学位论文的印刷本和电子版本； 学校有权保存学位论文的印刷本和电子版，并提供目录检索与阅览服务； 学校可以采用影印、缩印、数字化或其它复制手段保存论文； 在不以赢利为目的的前提下，学校可以公布论文的部分或全部内容。 （保密论文在解密后遵守此规定） 论文作者签名： 导师签名： 日期： 年 月 日 摘 要 支持向量机是基于统计学习理论和结构风险最小化的数据挖掘技术，具有非线 性、推广能力强以及全局最优等特点，具有诸多优势。但目前依然存在许多问题尚 未得到解决。本文对支持向量分类机算法进行改进，并将支持向量回归机应用到实 际问题中。本文的主要工作如下： 第一，支持向量分类机的性能与核函数的选择有较大关系。目前，核函数选择算 法众多，但依然存在不足。本文分析了以往的核函数选择算法存在的不足，提出了 一种基于提高样本可分性的核函数选择方法，并通过实验表明该方法的有效性。 第二，支持向量分类机在处理不平衡数据集时对少类样本的分类效果很不理想。 传统的处理不平衡数据集的方法往往忽视了核函数对分类机性能的影响。对此，本 文提出一种核函数选择算法与欠采样算法相结合的方法。实验表明该方法可以有效 地提高分类性能。 第三，对支持向量回归机的应用进行研究，建立了基于支持向量机的海水参数预 测模型。并通过实验表明本文方法建立的模型所预测的效果要优于传统模型，并且 能够比较准确地反映海水参数的变化趋势。该方法不仅具有坚实的理论基础，更具 有实际预测能力，可以应用到实际的海水参数预测中。 关键字：支持向量机；核函数选择；不平衡样本集；欠采样；海水参数预测 I Abstract Support vector machine (SVM) is data mining technology based on statistical learning theory and structural risk minimization, with the advantages of nonlinear, strong generalization ability, the global optimal and so on. However, at present there are still many problems unresolved. In this paper, the algorithm of support vector machine is improved and applies it to practical problems. In this paper, the main work is as follows: First, the classification performance of support vector machine has a great relationship with the selection of kernel function. At present, the kernel function selection algorithm is numerous, but there are still insufficient. In this paper, based on the analysis of shortcomings of previous methods, it proposes an algorithm of selecting kernel function based on improving the separability, and through the experiment show that the method is effective. Second, support vector machine is unsatisfactory in the classification performance of minority class when dealing with imbalanced dataset. The traditional method of processing unbalanced da