支持向量机解的性质及SOR型算法研究

来源 :山东科技大学 | 被引量 : 0次 | 上传用户:soiney
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
支持向量机(Support Vector Machine, SVM)是在统计学习理论基础之上发展起来的一种全新的机器学习算法,是一种解决分类问题的有效方法。它将分类问题转化为最优化问题,从而应用最优化理论解决问题。  本文首先详细地论述了SVM的基本思想和发展现状,然后通过深入分析,指出现有一些方法中存在的问题。针对这些问题,应用最优化理论进行深入研究,主要工作如下:  1.通过引进对偶范数和平面上基于任意范数的投影,由向量范数等价性得到对偶范数的等价性,在分析对偶范数与间隔的联系后,进而得到基于各向量范数的间隔间的等价性,将问题归一化。  2.对基于超松弛方法的支持向量机(SOR-SVM)的模型进行适当的改造,得到改进的SOR-SVM算法。改进的SOR-SVM模型中去掉了松弛变量非负的约束条件,从而其对偶问题是一个只含非负约束的二次凸规划问题。由最优性充要条件和SOR方法,得到一个比现有算法更为简单的改进SOR-SVM算法。一方面,从解的性质角度入手,严格证明了改进的SOR-SVM与原标准模型的同解性,并将该结论推广到另一类改进模型与原标准模型的解的关系中,为SVM提供了理论依据。另一方面,我们对算法的性能进行了分析和评测。证明了该算法是线性收敛的,数值实验表明算法是非常有效的、且适合推广到非线性问题上,较原算法有更快的收敛速度。  3.将改进的SOR-SVM思想推广到回归机中,对基于超松弛方法的支持向量回归机(SOR-SVR)的模型进行适当的改造得到改进的SOR-SVR。首次从理论上严格证明了改进的SOR-SVR与原标准模型的同解性,并将该结论推广到另一类改进模型与原标准模型的解的关系中。理论保证了算法是线性收敛的,数值实验表明算法有良好的鲁棒性。  4.基于改进的SOR-SVM和广义的支持向量机(GSVM)思想,提出了基于SOR的改进的非线性广义支持向量机,使得可以用基于任意核的改进SOR-SVM来进行分类处理。  5.将基于SOR的改进的非线性广义支持向量机的思想推广到回归机中,提出了基于SOR的改进的非线性广义支持向量回归机,使得可以用任意核的改进SOR-SVR来进行回归处理。  目前,对支持向量机的研究主要是针对算法改进以及各种应用领域的扩展,因此本文的研究无论对支持向量机的理论还是实践应用,都具有很重要的意义。
其他文献
无线自组织网络(WirelessAdhocNetwork)是由一组带有无线收发装置的移动终端组成的一个多跳、无固定基础设施的、分布式的自治系统。它可以独立组网,也可以以末端子网的形式接入
Ad Hoc网络是指由一组带有无线通信收发装置的移动节点组成的一个多跳、自组织、无中心网络。20世纪90年代末期以来,在无线通信领域Ad Hoc网络技术迅速发展,并且很快从军事通信
随着信息化技术的不断发展,各类信息迅速的增长速度,似乎已经超出人们可以对其进行掌控和利用的能力。科学技术是第一生产力,是推动国家各行各业发展的原动力。改革开放三十
随着数字IC设计规模的增大和功能复杂性的提高,设计验证成为IC设计流程中越来越重要的方面。传统的模拟验证方法无法满足复杂IC设计带来的巨大的验证需求。基于此,形式验证方
在大规模的文件存储系统中,元数据访问性能的优化对文件系统的整体性能提高有着非常重要的影响。为了使元数据服务的性能达到最优,建立一种基于元数据预取有效的、正确的模型
手势在人际交流中是不可或缺的一部分,手势识别也成为人机交互中的一项重要实现技术手段。在许多虚拟现实的应用中,用户对虚拟物体进行操作时,传统的鼠标、键盘等人机交互手
随着移动互联网和移动通信网络的飞速发展,移动智能终端设备日益普及,原有的PC端服务和平台也逐渐向移动端转移。在移动网络环境中,用户的移动推荐需求受移动情境影响极大,同
支持向量机(Support Vector Machine,SVM)是在统计学习理论基础上发展起来的一种新的机器学习方法,该方法采用结构风险最小化准则训练学习机器,在解决有限样本分类问题时具有很
随着电子商务的迅速发展,B2B(Business to Business)应用模式的不断普及,Web服务(Web Services)技术受到越来越多的关注。Web服务使电子商务中企业应用集成和动态协作成为可
随着计算机网络技术和应用的迅猛发展,人们对互联网的需求也进一步提高,希望互联网能够有效地提供他们所需的各种服务。企业如何利用已有资源,在新的Internet环境下根据用户