路徑跟蹤法線性規(guī)劃支持向量機的研究.pdf_第1頁
已閱讀1頁,還剩52頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、支持向量機(Support Vector Machine,SVM)是基于結構風險最小化原則和統(tǒng)計學習理論(Statistical Learning Theory,SLT)上的一種新型機器學習方法,具有出色的學習性能、泛化性能。傳統(tǒng)標準支持向量機是一個求解二次型規(guī)劃(Quadratic Programming,QP)問題。當訓練集規(guī)模很大時,就會出現(xiàn)訓練算法復雜、訓練速度明顯變慢、訓練效率驟然下降等問題。目前支持向量機參數(shù)的選取一直沒有一

2、套成熟的理論作為支撐,這給支持向量機的應用帶來很大的不便。針對以上問題本文做了如下兩方面的研究:
  (1)提出了一種路徑跟蹤線性規(guī)劃支持向量機(Path Follow Linear Programming support vector machine,PF-LPSVM)。首先構造出線性規(guī)劃支持向量機模型,并用路徑跟蹤內點法對該模型進行訓練,提高訓練效率。在隨機數(shù)據(jù)集及UCI數(shù)據(jù)集上進行實驗,將實驗結果進行對比分析,可以得出改進后

3、的支持向量機模型無論是在分類效率還是分類精度上都有所提升。
  (2)針對支持向量機最佳組合參數(shù)選取問題,本文應用一種低偏差蒙特卡羅序列的量子遺傳算法(Low-Discrepancy Quantum Genetic Algorithm,LDQGA)優(yōu)化支持向量機模型的參數(shù),尋找最合適的組合參數(shù),最后將所得到的最佳組合參數(shù)應用到已優(yōu)化的PF-LPSVM模型上,并與量子遺傳算法和3-fold交叉驗證方進行實驗對比,從實驗結果可看出無論

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論