论文部分内容阅读
支持向量机(SupportVectorMachines,简称SVMs)是模式识别领域的新方法,是基于统计学习理论的,是主要用于解决分类问题和回归问题的新工具,它已经在很多领域有了广泛的应用,如:人脸识别,心脏病诊断,经济预测等.本文就支持向量机的算法模型及其应用展开讨论.
本文的主要研究工作如下:1.核函数中的参数选择是支持向量机中的一个很重要的问题,它直接影响模型的推广能力.通过最速下降法求L00上界的极小点来确定核参数是一种新的核参数选择方法,但此方法易陷入局部最优解.本文提出一种基于混合遗传算法求解L00上界极小点的核参数选择方法.实验证明,通过该方法选择出来的核参数能够提高分类精度,具有实用性.
2.针对多分类问题提出了两种新的支持向量机多分类模型(K-LSVCR和μ-K-LSVCR).
3.首次将支持向量机方法应用到高炉煤气的模式识别问题,针对十字测温仪得到的数据并结合专家所给的意见,我们采取了先将数据聚类在进行分类的策略,通过数值实验,我们得到了较好的结果,在切实解决实际问题的同时,进一步拓广了支持向量机的应用领域.