论文部分内容阅读
支持向量机是Vapnik等人于1995年在统计学习理论基础上提出的一种模式识别算法，其根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以求获得最好的推广能力。而核函数是支持向量机的重要组成部分，它决定了支持向量机从低维空间到高维空间映射及构造的分类函数的优劣，因此选择恰当的核函数是支持向量机和核学习方法的重要问题。目前支持向量机算法基本都是以单核核函数为主，但是由于单核核函数支持向量机的泛化能力和鲁棒性具有局限性，因此基于单核核函数的支持向量机并不是对所有的具体问题都适合。 论文提出了利用双核核函数--多项式核函数和Marr小波核函数的组合、多项式与高斯核函数组合、高斯核函数与Sigmoid核函数组合、小波核函数与Sigmoid型核函数组合，四种组合核函数作为支持向量机的核函数，双核核函数同时具备了全局核函数和局部核函数的特点，即双核核函数既有良好的学习能力又具有良好的泛化能力。通过对支持向量机核函数研究，分析影响支持向量机预测精度的各个核参数及惩罚因子，使用网格搜索的方法对参数进行选择，选出最佳参数。论文选择具有代表性的高斯核函数、多项式核函数、Marr小波核函数及论文中的四种双核核函数七种支持向量机模型进行实验分析，在参数选取合适的情况下，双核核函数充分发挥了全局核函数和局部核函数的优势。