支持向量机新模型及其参数特性研究.pdf

万方数据

支持向量机新模型及其参数特性研究SVM计算机仿真Parameters—188一谢长菊ResearchNewandIt’SChang—iuOUt．Thisformulations．AndKEYWORDS：Pattem引言统计学习理论⋯从七十年代末诞生，到九十年代之前都侵检测瞪]、回归估计、概率密度函数估计等方面都有应用。别问题。本文试图找到一种更好的新模型，这种新模型不但一个新的体系里面，使得将来在理论研究和算法实现上都能2两种著名的SVM模型2010年4月研究它的解的特性。给出了新模型解的完备性条件，找出它的解及其相应的算法，并指出了∥c既是边界支持向量个数的XIE(Gao528500，China)Machines(SVMs)，differentbeproposesthat∥Csupporttheory；Supportmachines(SVM)处在初级研究和理论准备阶段，近十年才逐渐得到莺视，并产生了支持向量机(SVM)。SVM是将统计学习理论付诸实现的有效的机器学习方法。目前，SVM算法在模式识别、入例如，在模式识别方面，对于文本的自动分类H1、手写数字识别、语音识别、人脸图像识别等问题，SVM算法在精度上已经超过传统的学习算法或与之不相上下。支持向量机尽管诞生的历史不长，但是已经取得的成果却不少。在模型研究方面，产生了标准支持向量机c一J，以及变形的t，一SVM【3’系列等。针对不同的需要，以及对SVM研究的不断深入，新的模型及算法还在不断产生。作为传统的两种模型，C—SVM中参数没有确切的意义而且选取困难，而1，一SVM算法复杂，不利于解决大规模识拥有自己丰富的行为特征，而且能够将两种传统模型统一到把它们统一起来进行考虑。C—SVM模型C—SVM⋯就是标准支持向量机，其建模思想对整个支持向量机的发展起到基石的作用。对于训练样本毛∈彤，i=1，⋯，Z，用，，；=∈{1，一l}作为其正负类别的标示，采用第27卷第4期文章编号：1006—9348(2010)04—0188—04(佛山市高明区广播电视大学，广东佛山528500)摘要：支持向量机C—SVM及1，一SVM是目前两种最为成熟的模型，但是从形式到算法、从参数特性到参数含义，它们都相互不同，这给人们的选择带来不便。为了将这两种SVM模型统一起来，提出一种新的模型cV—SVM，并依据统计学习理论，上界。又是支持向量总数的下界。参数设置说明，新模型完全可以实现旧模型的所有功能，而新的算法更加方便诸如文本自动分类等领域的使用。关键词：模式识别；统计学习理论；支持向量机中圈分类号：TPl81文献标识码：AonaUniversity，FeshanABSTRACT：InthedevelopmentofbeenC—refinedtheiral—different．Thishardchosen．Inorderkindsformulations，thiskindcharacteristicbasedstatisticaltheory．TheCv—SVM’SalgorithmcV—SVMa阳foundedboundboundednumbervectors．ParameterCu—SVMrealizeforUsel葛inmanyareas．such鹊classifieation．recognition；Statisticalvectorl收稿日期：2009—12—20修回日期：2010一01—18MingRadio＆TelevisionGuangdongSupportVectoradvantageshaveputin1J—SVM，whichmostmodels．Butformsformulations，aswellgorithmsparameters．aremakesthemunifythesepaperSVM，and，studiesitssolutionlearningcompletenessisproved．andpointsbothuppervectorslowersettingsshowthatallfeaturesoldnewmoreconvenientpatternrecognitionautomaticSVM【l，22．1twotoouttextareascan
万方数据

等～一骞毗北i)：0，等一骞毗=0面OL=一t，+骞仅t一6=0，等=C飞一晟=0，四粤。扣’珊一擎+÷窆磊。injln。扣7∞+c∑基。．ft6矿山“刍磊0器尹珊一擎+丁刍毛删2扣～一叩+C职2矿嘞一叩+刍磊rain知7伽Z基6’=一÷∑吖；jI(％(‘4-毛))6’=一÷∑am．|}(缸．(坼+毛))#幻‘=∑ai，，；％点以T户‰的间隔被分开。6’=一÷(埘。·t+印‘·气)一189—3