论文部分内容阅读
作为结构风险最小化准则的具体实现,支持向量机方法具有全局最优、结构简单、推广能力强等优点,近几年得到了广泛的研究。本文仔细研究了支持向量机理论,针对支持向量机算法难以处理大规模数据的问题,应用了主成分分析方法和支持向量机相结合的思想解决实际问题,提高了分类精度。本文主要在如下方面进行了研究和探讨:
1、系统研究了支持向量机的统计学习理论基础,分析了’VC维在SVM中的作用,本文针对一类函数集的VC维的大小进行了理论上的详细的证明。
2、研究了SVM分类算法,分析了用于解决多类分类问题的策略,得出:对于使用分解算法的支持向量机训练算法,一对一与一对多分类方法所用的训练时间比为2:K,K为样本类别数。分析了SVM的多类分类性能,并对各个方法的优缺点进行了比较和实验分析。
3、在对SVM学习特点的深入分析基础上,论述了其在分类中的应用。分析了影响SVM训练性能、学习性能的几个重要因素。归纳总结了三种支持向量机核参数选择方法的优缺点,并以Gauss核函数为例分析了核函数的参数选择对核函数性能的影响,提出一种选取核参数的优化方法。
4、用核函数参数优化方法选取合适的核参数,从而构造基于主成分分析的支持向量分类机,并应用于地震相划分。