论文部分内容阅读
核方法是解决非线性分类问题的一种非常有效的方法,同时它也是现在机器学习领域中的研究重点问题。核函数是影响决策函数泛化性能关键因素,核函数在实际问题中有广泛的应用,比如:工业、金融、军事、交通运输、航空航天等。目前越来越多的学者开始从事核的机器学习的研究,并对其产生了浓厚的兴趣。但是由于实际问题很多都是非线性的,使得线性的机器学习变得很困难。因此,如果能够给出一种新的将非线性问题转化为线性的将会有重要的实际意义。本论文主要通过建立向量值再生核空间,构造该空间的向量值再生核函数,同时结合支持向量机算法将其应用在网络入侵检测中。本论文首先简单地介绍了标量值再生核空间的基本性质和基本定理,并给出了再生核空间中的再生核函数的具体表达式;其次,利用标量值再生核的性质,建立向量值再生核Hilbert空间,构造并证明了向量值再生核的存在性。对于给定的训练数据,影响支持向量机分类的能力主要受核函数和误差惩罚参数的影响,从而构造了适用于做数据分类的向量值的再生核Hilbert空间,建立一个向量值的再生核空间,目的是构造一个向量值的再生核函数;最后,向量值再生核函数将应用在支持向量机算法中,一方面是从向量值空间的建立,向量值核函数的构造,以及向量值核函数的参数的选择,结合支持向量机算法说明不同的核函数影响着支持向量的个数,另一方面是本论文中给出一个多核的向量值核函数,结合支持向量机算法,将其应用在网络入侵检测中。从数值算例说明核函数的不同参数对支持向量机的泛化能力产生着重要的影响,然后通过向量值再生核训练得出的模型在做预测时有较高的准确率,说明了向量值再生核能较好的应用在网络入侵检测中。