基于直推式學(xué)習(xí)和遷移學(xué)習(xí)方法改進(jìn)的支持——向量機(jī)分類方法及應(yīng)用研究.pdf

1、支持向量機(jī)(Support Vector Machine, SVM)是一種基于小樣本學(xué)習(xí)理論的有效分類方法，近年來已成為國(guó)內(nèi)外機(jī)器學(xué)習(xí)的一個(gè)研究熱點(diǎn)。本文以SVM為基礎(chǔ)，對(duì)直推式支持向量機(jī)(Transductive Support Vector Machine, TSVM)算法和基于遷移學(xué)習(xí)的支持向量機(jī)進(jìn)行了研究，并給出了這兩種方法的改進(jìn)算法。
　　本文首先闡述了SVM方法的研究現(xiàn)狀和SVM在雷達(dá)輻射源分類中的應(yīng)用，然后介紹了SV

2、M的理論基礎(chǔ)和遷移學(xué)習(xí)的基本概念。接下來介紹了TSVM算法以及漸近直推式支持向量機(jī)(ProcessingTransductive Support Vector Machine, PTSVM)算法，并針對(duì) PTSVM算法訓(xùn)練時(shí)間過長(zhǎng)的缺點(diǎn)，引入 K近鄰和緩存的思想，在算法的每次迭代過程中對(duì)多個(gè)無標(biāo)簽樣本進(jìn)行處理，這種做法可以大大減少算法的訓(xùn)練時(shí)間。
　　KMMSVM算法先用核均值匹配(Kernel Mean Match，KMM)計(jì)算

3、每個(gè)源樣本的權(quán)重值，然后選取源樣本權(quán)重值大于閥值的源樣本，最后用這些源樣本訓(xùn)練 SVM分類器并對(duì)目標(biāo)樣本進(jìn)行分類。當(dāng)源樣本數(shù)目較大時(shí)，KMMSVM算法訓(xùn)練時(shí)間較長(zhǎng)。針對(duì)這個(gè)缺點(diǎn)，本文將集成學(xué)習(xí)與KMMSVM結(jié)合起來，構(gòu)建多個(gè)KMMSVM基分類器，然后將單個(gè)基分類器的結(jié)果以一定的方式集成起來。由于每個(gè)基分類器的訓(xùn)練樣本只包含少量源樣本，所以算法的訓(xùn)練時(shí)間大大減少了，同時(shí)基分類器結(jié)果的集成提高了算法的分類正確率。
　　最后將文中基于動(dòng)