一種改進的核函數參數選擇方法.pdf

1、支持向量機(SVM)是20世紀90年代由Vapnik等研究者，在統(tǒng)計學習理論體系框架下提出的一種新的通用的學習方法，它在解決小樣本、非線性以及高維模式識別等問題中有很強的優(yōu)勢。應用支持向量機解決問題的時候，核函數及其相關參數的選擇對結果好壞起著至關重要的作用，直接影響機器學習的分類性能。只有選擇合適的核函數及其參數，才能得到具有良好推廣能力的SVM分類器。
　　 雖然目前關于核函數及其參數的研究在理論和應用方面日趨走向成熟，但還

2、不足以指導其參數選擇。核函數參數是影響SVM分類性能的關鍵因素，但其選擇方法目前國際上還沒有形成統(tǒng)一的模式，最優(yōu)SVM 參數選擇算法只能憑借經驗，實驗對比，或者大范圍的搜尋來進行尋優(yōu)。在眾多的核函數參數選擇方法中，網格搜索法是最常用而且比較有效的一種方法。本文主要研究的就是支持向量機核函數參數選擇方法。
　　 本文主要討論了支持向量機的核函數及其參數的以下幾方面內容：
　　 首先，系統(tǒng)和全面的總結了支持向量機基礎理論，介

3、紹了VC 維理論、結構風險化最小化原則，研究了SVM分類算法，分析了用于解決多類分類問題的策略。
　　 其次，分析了影響SVM 訓練性能、學習性能的幾個重要因素。討論了支持向量機中的常用的核函數參數選擇方法，分析了雙線性搜索法，模式搜索法，網格搜索法的優(yōu)缺點，結合SVM 核函數參數自身參數空間分布的特點，通過理論上的分析論證和實驗比較提出了一種新的核函數參數選擇方法—雙線性模式搜索法。
　　 最后，通過仿真實驗對本文所提