SVM模型改進的若干研究.pdf

1、支持向量機（SVM）是在統(tǒng)計學(xué)理論和最優(yōu)化理論的基礎(chǔ)上發(fā)展起來的一種機器學(xué)習(xí)方法，它有效地解決了局部極小點、小樣本、非線性、高維數(shù)等實際問題，從而有力地推動了機器學(xué)習(xí)理論的發(fā)展，已經(jīng)成為機器學(xué)習(xí)領(lǐng)域的一個研究熱點。盡管支持向量機的優(yōu)點很多，但仍有美中不足之處。傳統(tǒng)的支持向量機對樣本中的噪聲和孤立點敏感，沒有考慮不同輸入樣本點對最優(yōu)超平面的獲得產(chǎn)生的不同影響等。另外，模型選擇也是支持向量機理論上的一個不足之處，模型選擇主要包括核函數(shù)及其參

2、數(shù)的選擇。
　　本論文在總結(jié)相關(guān)學(xué)者關(guān)于支持向量機對樣本中的噪聲和孤立點敏感及模型選擇不靈活這兩個方面的研究后，并對其作了進一步研究，主要有如下創(chuàng)新的工作：
　　(1)構(gòu)造了幾何平均隸屬度函數(shù)。幾何平均隸屬度函數(shù)是在基于類中心的隸屬度函數(shù)和基于緊密度的隸屬度函數(shù)的基礎(chǔ)上構(gòu)造的，兼具二者的優(yōu)點，有效地降低了噪聲和孤立點對最優(yōu)超平面的影響，提高了解決問題的效率；
　　(2)構(gòu)造了靈活性強、適應(yīng)性高的泰勒緩和下降核函數(shù)（T-