基于尺度空間的SVM核參數(shù)確定方法研究.pdf

1、支持向量機(jī)(Support Vector Machine，SVM)是近年來受到廣泛關(guān)注的一類學(xué)習(xí)機(jī)器，它以統(tǒng)計(jì)學(xué)習(xí)理論(Statistical Learning Theory, SLT)為基礎(chǔ)，具有簡潔的數(shù)學(xué)形式、標(biāo)準(zhǔn)快捷的訓(xùn)練方法和良好的泛化性能，已廣泛應(yīng)用于模式識(shí)別、函數(shù)估計(jì)和時(shí)間序列預(yù)測(cè)等數(shù)據(jù)挖掘問題。目前SVM的研究熱點(diǎn)主要有:SVM的模型選擇、快速學(xué)習(xí)算法研究等。由于支持向量機(jī)是一種基于核的學(xué)習(xí)方法，所以核及相關(guān)參數(shù)的選取對(duì)泛

2、化能力有著重要的影響，進(jìn)而對(duì)支持向量機(jī)的性能也有著重要的影響。如何有效地進(jìn)行核及相關(guān)參數(shù)的選擇是支持向量機(jī)研究領(lǐng)域的一個(gè)重要問題。
　　本研究主要內(nèi)容包括：⑴對(duì)現(xiàn)有核選擇方法進(jìn)行了詳細(xì)的分析和研究。⑵提出了一種選擇支持向量分類最優(yōu)核參數(shù)的算法，通過定義樣本間的獨(dú)立性，可以獲得最優(yōu)核參數(shù)和相應(yīng)的最優(yōu)學(xué)習(xí)模型。提出的算法可以在支持向量機(jī)訓(xùn)練之前得到最優(yōu)的核參數(shù)，計(jì)算代價(jià)較小。⑶通過對(duì)SVM中最優(yōu)化問題KKT條件的研究，給出了一種高斯核