基于超球體的PSVM算法研究.pdf

1、支持向量機(SVM)是解決分類問題的一項機器學習核心技術。然而，實際工程中由于數(shù)據(jù)采集不及時，數(shù)據(jù)樣本不全面，數(shù)據(jù)不連續(xù)導致訓練樣本很難覆蓋全部樣本空間，對外往往表現(xiàn)出較低的價值密度，造成分類器的泛化性與魯棒性下降。目前基于知識的支持向量機可有效解決這一問題，但由于完備的、有效的先驗知識難以獲取，而且知識本身往往也不足以描述數(shù)據(jù)的全部特征，使得最終分類性能提高并不明顯，甚至還可能導致負效應。因此，本文提出從訓練數(shù)據(jù)中挖掘先驗知識的方法，

2、來有效提高分類器性能。
　　由于任何一個樣本子空間都可以通過有限開球集合線性組合得到其開球覆蓋。故基于訓練樣本的這種開球覆蓋即可描述其分布特征，從而提取出可用于分類的重要信息。正是基于這一認識，本文提出了三種提取訓練樣本分布特征的方法，以這些特征為基礎構建有利于提高分類器性能的先驗知識，并給出基于先驗知識的臨近支持向量機算法：基于普通超球體的臨近支持向量機（O-PSSVM)、基于SVDD超球體的臨近支持向量機（SVDD-PSSVM

3、)、基于馬氏距離超球體的臨近支持向量機（M-PSSVM)。
　　實驗證明引入普通超球體、SVDD超球體、馬氏距離超球體都能提高臨近支持向量機(PSVM)的泛化性和魯棒性。同時發(fā)現(xiàn)SVDD-PSSVM、PSVM的分類能力明顯強于SVDD分類器，M-PSSVM、PSVM的分類能力明顯強于馬氏距離超球體分類器，說明SVDD和馬氏距離超球體本身不適于直接構建分類器。
　　最后，本文將SVDD-PSSVM應用于列車空調的單標簽和多標簽