資源描述：
《多支持向量機融合算法研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、多支持向量機融合算法研究摘要統(tǒng)計學(xué)習(xí)理論系統(tǒng)地研究了小樣本情況下的機器學(xué)習(xí)問題。20世紀(jì)90年代，在這一理論基礎(chǔ)下提出的支持向量機(SupportVectorMachine，SVM)較好解決了小樣本、過學(xué)習(xí)、“維數(shù)災(zāi)”、局部極小等問題，具有很強的泛化能力。多分類器融合作為信息融合、模式識別、機器學(xué)習(xí)等領(lǐng)域交叉形成的一個分支，近年來成為一個新的研究熱點。對于多個兩分類SVM分類器融合方法及應(yīng)用方面的研究還不完善，而對于多個多分類支持向量機(Multi．classSVM，MS、徂訂)分類器融合的研究更是剛剛起步。本文對多個SVM分類器融合和集
2、成方法及應(yīng)用進(jìn)行了系統(tǒng)深入的研究。主要工作包括以下幾個方面：介紹了機器學(xué)習(xí)、統(tǒng)計學(xué)習(xí)的理論基礎(chǔ)，在此基礎(chǔ)上詳細(xì)介紹了SVM方法的概念和特點，全面系統(tǒng)地闡述了SVM、信息融合、多分類器融合的研究進(jìn)展和現(xiàn)狀，分析了SVM分類器融合方法的研究發(fā)展趨勢和存在的不足。針對如何通過分類器融合提高決策分類性能，同時保持低的計算復(fù)雜性和占用較少存儲資源的問題，提出了一種基于粗集理論構(gòu)造SVM集成分類器的新方法。首先利用基于粗集理論的屬性約簡算法刪除冗余和次要屬性，得到最優(yōu)特征子集，并根據(jù)最優(yōu)特征子集來構(gòu)建相應(yīng)的輸入子空間。然后對于每個輸入子空間，訓(xùn)練相應(yīng)
3、的SVM子分類器。具有較高分類性能的SVM子分類器被挑選出來用于建立SVM集成分類器。最后通過醫(yī)療診斷數(shù)據(jù)集進(jìn)行了仿真驗證，并與其他分類器集成方法進(jìn)行了比較分析。試驗結(jié)果驗證了所提方法的有效性。針對多信息源、多分類問題，提出了幾種基于MSVM的集中式和分布式融合策略和方法，并對現(xiàn)有方法的不足提出了改進(jìn)的輔助決策函數(shù)。分別采用一對一(one．a(chǎn)gainst—one)，一對多(one-against-a11)和有向無環(huán)圖(DirectedAcyclicGraph，DAG)方法合并多個兩分類SVM分類器來構(gòu)造MSVM。所提的融合策略充分利用了M
4、SVM的特性：一是通過構(gòu)造并合并幾個兩分類SVM子分類器建立MSVM；二是通過尋找具有最大間隔的最優(yōu)分類耀平面來訓(xùn)練兩分類SVM子分類囂。裁矮多豪柴淫輟靛故障診鼗數(shù)據(jù)集對囂挺方法遴孬了驗強，攆翅分輯曉鞍了器靜聚食方法的傀缺點、適用范圍以及三種MSVM分類器的性能差異。提出了多分類概率嶷持向量機(Multi-classProbabilitySVM，MPSVM)方法，并給出了多個MPSVM分類器熬委時j爹{_熬臺募法。蒺予one-against-all茨咯努釋多分類懲囂，調(diào)練多令囂分類SVM結(jié)合擠壓函數(shù)產(chǎn)擻具有后驗概率輸出的支持向量機(Pro
5、babil耐SVM，PSVM)并進(jìn)行組合，構(gòu)造出MPSVM，分別采用均值和中德貝葉斯方法來融合多個MPSVM分類器。仿輿實驗說明了該冀洼靜蠢效蛙。提出了MPSVM在證據(jù)理論搬架下的基本概率分配函數(shù)，證據(jù)理論支待向量機(Dempster-ShafertheorybasedMsVM,DSMSVM)構(gòu)造算法，多個DSMSVM融合算法。通過設(shè)詩羹本襁率分配匪數(shù)，測矮涯據(jù)舍莠溉剿合莠MPSVM提供懿證據(jù)，芽僅對單元素集瘦角最太嫠任準(zhǔn)則，建立了DSMSVM。這種類型的學(xué)習(xí)機器能夠提供更多的用于后續(xù)處理的信息。在此基礎(chǔ)上用多個DSMSVM分類器融合來解
6、決分布式的多債息漾、多分類問題。針對每～個源建立相應(yīng)弱DSMSVM分類器，然岳翻瘸謹(jǐn)援理論臺著燕英鼙邂孿亍努類器證據(jù)融臺，最終決鐿遙過最大信任決策凇則給出。將所撮方法應(yīng)用于紫油機的分布式故障診斷，獲得了比傳統(tǒng)方法熙好的性能，提高了診斷的準(zhǔn)確率和蟄棒性。撬瘵了基予模翻蘇分豹MPSVM融合算法。弱辯考慮了每個MPSVM提供匏謹(jǐn)據(jù)幫它在藏合過程中的經(jīng)驗重要度，繚出了兩種根攢識別率來計算MPSVM分類器在融合過程中霞要度的方法：一種是利用每個MPSVM的整體識別率；另一種是利用每個MPSVM對于每一類的識別率。醞提算法豹有效瞧在繁濰瓿的努商式鼓障
7、診斷中遺行了仿真驗證。針對非線性系統(tǒng)的辨識與控制問磁，提出了基于SVM的逆學(xué)習(xí)方法。充分利用了SVM的小樣本絨計學(xué)習(xí)、泛化§&力強的特點，采用SVM回歸{鞋好地逼近來知強非線性對象，對于受噪聲污染煞數(shù)據(jù)具毒趣好瓣適應(yīng)麓力，勢在仿真中餐戴了有效驗證?？耜P(guān)鍵誦：稅器學(xué)習(xí)，統(tǒng)詩學(xué)習(xí)理論，支持商量楓，狺息融合，分類器融合，多類分類本文的研究獲得國家“973”計劃項目(編號：2002eb312200)資助，以及國家“863”計劃項目(編號：2002AA412010)和國家自然科學(xué)基金項目(編號：60174038)的部分資助。IIIl曦SEARC玨o
8、NT玨EFUSlONALGORrI’HMoFMUIfTlPLESUPPoR罩VECToRMACH”幔SABSTRACTThestatisticallearningtheorysystemica
