SVM在參數(shù)選擇上的優(yōu)化.pdf

1、建立在統(tǒng)計學習理論和結構風險最小原則上的支持向量機在理論上保證了模型的最大泛化能力，因此與建立在經(jīng)驗風險最小原則上的神經(jīng)網(wǎng)絡模型相比，理論上更為完善。 支持向量機是一個具有多類分類能力的非線性分類器。在實際應用中，有可能出現(xiàn)不同類別樣本數(shù)目相差很大的情況，比如在解決故障檢測等分類問題時，C-SVM訓練的分類錯誤總偏向于樣本數(shù)較少的類別，因而影響了分類的精確性。為提高精確性，提出了一種優(yōu)化算法，在訓練過程中針對不同類樣本，采用不同

2、的權值來優(yōu)化訓練過程，按正負類樣本在總樣本中所占的比例，加大樣本數(shù)較少的類別權值，降低樣本數(shù)較大的類別權值來實現(xiàn)兩類樣本間的均衡。實驗結果表明該方法對兩類樣本數(shù)目相差很大的問題是有效的。 支持向量機的參數(shù)對于分類精確性影響很大，到目前為止，還沒有明確的選擇參數(shù)的算法。本論文運用支持向量機建立模式識別分類器模型，研究影響模型分類能力的相關參數(shù)，在分析參數(shù)對分類器識別精度的影響基礎上，提出了用遺傳算法建立支持向量機分類器模型的參數(shù)自