论文部分内容阅读
本文针对支持向量机,作了如下几个方面的研究:为了提高支持向量机训练速度,通过对支持向量训练速度慢的主要原因进行分析,提出了一种预抽取两类样本相对边界的边界向量的 FFMVM 方法、模糊循环迭代算法以及带有样本抛弃方案的支持向量机增量学习算法。以预抽取的边界向量集合作为初始工作集合,以模糊循环迭代算法对支持向量机进行训练,根据样本抛弃方案在不丢失分类信息的情况下抛弃部分对分类器没有任何贡献的样本。其优点是大大提高了支持向量机的训练速度,节约了计算机内存开销,同时在有增量样本时,能够继承支持向量机以前的训练结果进行增量学习。为支持向量机在线学习提供了一条有效的途径。针对目前支持向量机多类分类方法存在的缺点,提出了一种新的支持向量机多类分类方法。实验结果表明,此方法与目前认为性能好的 DDAGSVM 方法相比,需要训练的支持向量机数目少,训练速度快,决策速度快,同时克服了可能出现的不确定分类区域的存在。针对支持向量机对训练样本内的噪音和孤立点特别敏感、极大地影响了支持向量机的分类性能的弱点,提出了一种基于密度法的模糊支持向量机,在支持向量机当中引入样本密度模糊参数,从而消弱了噪音以及孤立点对支持向量机分类的影响。实验证明,在抗击孤立点和噪音点的干扰方面,优于文献中的类中心向量方法以及类中心点距离方法,取得了很好的效果。这一方法大大提高了支持向量机分类的泛化能力,从而大大提高了支持向量机的应用范围。针对支持向量机函数拟合外插值能力差的缺点,提出了一种三次支持向量机函数拟合方法,在保持支持向量机很好内插值能力的同时,大大提高了支持向量机函数拟合的外插值能力,从而提高了支持向量机在训练样本范围外的函数预测能力。提出一种基于支持向量机的复杂非线性黑箱系统的模型在线辨识方法,并将其应用于具有多值函数的基于磁致伸缩的微位移模型的建立以及微位移的在线预测当中,实验结果表明,和基于 RBF 神经网络辨识方法相比,本方法具有更快的训练速度和更好的一步预测精度,具有较强的泛化性能。