基于增量学习SVM分类算法的研究与应用

发布时间：2023-10-12 04:03

　　支持向量机(Support vector maehine,SVM)作为一种新兴的统计学习算法,以其优秀的理论基础(结构最小化理论、核空间理论)脱颖而出。它是在统计学习理论基础上发展起来的一种通用学习机器,其关键的思想是利用核函数把一个复杂的分类任务通过核函数映射使之转化成一个在高维特征空间中构造线性分类超平面的问题。支持向量机由于其优秀的学习性能,在分类问题中得到了广泛的应用。增量学习技术是一种得到广泛应用的智能化数据挖掘与知识发现技术,它基于历史的学习结果对新增加的数据进行再学习,使得学习具有一定的连续性。本文的主要工作为:首先,分析了支持向量机的理论基础、基本概念、要解决的关键技术问题以及增量学习的基本概念。随后,分析了几种现有的支持向量机增量学习算法,通过分析可知:大部分都没有充分考虑到新增样本对初始样本集中位于支持向量附近的非支持向量的影响,致使一些有用的历史数据过早的被淘汰,从而严重影响分类的精度,通过引入边界支持向量概念,提出了一种基于边界支持向量的增量学习算法,实验结果表明,基于边界支持向量的增量学习SVM算法在训练速度上及训练精度上有一定的提高。另外,针对支持向量机的多...

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外的研究现状
    1.3 本文的研究内容及章节安排
        1.3.1 本文研究内容
        1.3.2 本文章节安排
2 支持向量机理论
    2.1 支持向量机的基本理论
        2.1.1 经验风险最小化
        2.1.2 VC维及推广性界理论
        2.1.3 结构风险最小化
    2.2 支持向量机原理
        2.2.1 最优分类面
        2.2.2 广义最优分类面
        2.2.3 线性支持向量机
        2.2.4 非线性支持向量机
    2.3 支持向量机模型的建立
        2.3.1 训练集的选择
        2.3.2 训练特征的选择
        2.3.3 核函数的选择
        2.3.4 模型参数的选择
    2.4 增量学习SVM算法
        2.4.1 增量学习基本思想
        2.4.2 KKT条件和支持向量
        2.4.3 增量学习中向量集的变化
    2.5 本章小结
3 边界支持向量增量学习SVM算法的研究
    3.1 增量学习SVM算法分析
        3.1.1 经典增量学习SVM算法—Batch SVM
        3.1.2 几种改进型的增量学习SVM算法
    3.2 边界支持向量的分析
        3.2.1 边界支持向量基本概念
        3.2.2 线性可分边界支持向量的提取
        3.2.3 线性不可分边界支持向量的提取
    3.3 边界支持向量增量学习SVM算法
    3.4 实验结果及分析
    3.5 本章小结
4 SVM多分类增量算法的研究
    4.1 多分类SVM及特点分析
    4.2 SVM多分类增量算法分析
        4.2.1 超球间重叠分析
        4.2.2 增量算法分析
    4.3 新的超球结构增量学习算法
    4.4 实验结果
    4.5 本章小结
5 基于增量学习SVM文本分类系统的设计与实现
    5.1 基于SVM的文本分类算法分析
        5.1.1 文本分类介绍
        5.1.2 基于SVM的文本分类算法
    5.2 总体设计
    5.3 系统的设计与实现
        5.3.1 网页爬取设计
        5.3.2 文本预处理
        5.3.3 建立文档表示模型
        5.3.4 文本分类
        5.3.5 数据挖掘结果
    5.4 本章小结
6 总结与展望
    6.1 论文总结
    6.2 研究展望
参考文献
致谢
攻读硕士学位期间发表的论文及所取得的研究成果



本文编号：3853415