孪生支持向量机的多分类方法研究.docVIP

经典专科、本科、硕博、研究生、期刊毕业论文 仅供参考 精心整理 仅供参考 勿用作商业用途 目 录 TOC \o 1-3 \h \z \u 摘 要 1 前 言 3 第一章 绪 论 4 1.1 研究背景及意义 4 1.2 本文主要工作及创新点 6 1.3 本文组织结构 6 第二章 孪生支持向量机及其多分类方法 7 2.1 两分类TWSVM 7 2.1.1 支持向量机 7 2.1.2 广义特征值近似支持向量机 8 2.1.3 孪生支持向量机 9 2.2 基于TWSVM的多分类方法 12 2.2.1 Multi-TWSVM 12 2.2.2 DTTSVM 13 2.3 本章小结 16 第三章 基于核聚类决策树的多分类TWSVM方法 17 3.1 核聚类方法 17 3.2 DT2SVM-KC 18 3.2.1 决策树构造 18 3.2.2 算法流程 20 3.3 本章小结 22 第四章 仿真实验 23 4.1 数据集 23 4.1.1 UCI数据库 23 4.1.2 MNIST数据集 24 4.2 UCI数据集实验结果 25 4.2.1 惩罚参数影响分析 25 4.2.2 决策树分析 26 4.2.3 实验结果 27 4.3 MNIST数据集实验结果 29 4.4 本章小结 30 第五章 总结与展望 32 5.1 本文总结 32 5.2 后续工作展望 33 攻读学士学位期间主要的研究成果 34 参考文献 35 致 谢 37 经典专科、本科、硕博、研究生、期刊毕业论文 仅供参考 精心整理 仅供参考 勿用作商业用途 摘 要 分类技术是信息社会的一项重要技术，可以对一些杂乱的数据进行判断和归类，并发掘其内在价值。计算机代替人工进行数据分析和分类可以发现一些潜在的规律，并且能以相对快的速度处理更多数据。支持向量机（Support Vector Machine, SVM）是一种常用的两分类器，孪生支持向量机（Twin Support Vector Machine, TWSVM）是其优秀的一种改进版本，也只能处理两分类问题。由于现实分类问题大多是多类的，所以将TWSVM扩展至解决多类分类问题是十分必要的。 本文以TWSVM为研究对象，分析TWSVM算法以及现有的基于TWSVM的多分类算法，对比这些算法的优缺点，并提出了一种TWSVM的多分类方法——基于核聚类决策树的多分类TWSVM（Decision Tree Twin Support Vector Machine Based on Kernel Clustering, DT2SVM-KC）。DT2SVM-KC运用核聚类算法来生成决策树，在非叶子结点上训练TWSVM来得到一对用于划分的非平行超平面。实验结果表明，本文提出的方法有着比其它基于TWSVM的多类分类算法更好的性能。 关键词：孪生支持向量机；决策树；多类分类；核方法；支持向量机 Abstract Classification technique is one of important technologies in the information society, which can judge and classify the messy data, and explore the intrinsic value of the data. Using computers rather than manual work to analyse data may discover some underlying rules and can process more data at a relatively fast speed. Support vector machine (SVM) is a commonly used binary classifier. Twin support vector machine (TWSVM) is an excellent improved version of it. However, due to the fact that most classification problems are multi-class, it is necessary to extend the binary TWSVM to solve multi-class classification problems. This thesis focuses on TWSVM a