最小閉包球SVM算法的研究與應用.pdf

1、支持向量機方法已成為數(shù)據(jù)挖掘中不可缺少的一項技術，它成為近年來數(shù)據(jù)挖掘技術的新熱點?，F(xiàn)有的支持向量機大多速度較慢，無法適應實際應用。2005年Tsang 提出的核心向量機(Core Vector Machine)算法，其最顯著的特點是對支持向量機中最花費存儲空間和訓練時間的二次規(guī)劃問題（Quadratic programming，QP）進行改進，使用最小閉包球(Minimum Enclosing Ball，MEB)來解決，從而縮短了求解

2、二次規(guī)劃問題的時間。本文在使用核心向量機(Core VectorMachine，CVM)來解決入侵檢測和航班延誤預警這兩個實際應用過程中，對核心向量機做如下改進：
　　 針對入侵檢測中樣本數(shù)據(jù)集過于龐大，學習速度過慢且未充分利用先驗知識等問題，提出了基于中心約束最小閉包球的加權二類算法，即首先利用先驗知識確定一種新的基于相對緊密度的方法計算樣本權值并將其融合到二類支持向量機中，然后轉化為中心約束的最小閉包球進行訓練。實驗結果表明

3、，該方法比現(xiàn)有的支持向量機具有更合理的分類面并且訓練速度得到明顯提高。
　　 目前支持向量機分類問題，大多只針對兩類問題進行處理而不能滿足實際應用的需要，提出了基于中心約束最小閉包球的加權多類算法。該方法比多類核心向量機有更高的精度，比支持向量機有更快的訓練速度。
　　 針對排列問題，提出了基于最小閉包球的排列算法，即首先給出了基于最大化間隔原則的排列算法的原始表達形式，然后歸結為最小閉包球問題。經(jīng)理論分析，該算法的時間