基于空間旋轉(zhuǎn)的支持向量機(jī)改進(jìn)算法

《基于空間旋轉(zhuǎn)的支持向量機(jī)改進(jìn)算法》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、ＴＰ３－０１００５８＇＂變班．＾３＇＾＇，Ｆ瑚蒜ｊ？為扁巧瞧隱；．？．、…ｗ，＞？．ｉｌｌ！廉琴闘麟：．．而－…？《一－挪－心‘？一策－，叫；論文題目：基于空間旋轉(zhuǎn)的支持向量機(jī)．改進(jìn)雛巧聽(tīng)＾糸■學(xué)科專業(yè)：計(jì)算機(jī)科學(xué)與技術(shù)；作者姓名：田佳林Ｉ－，．寺指導(dǎo)教師陳科副教授：藝二Ｑ一二月？完成曰期五年十：獨(dú)創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是本人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作和取得的研究成果，除了文中特別加Ｗ標(biāo)注和致謝之處外，論文中不包含其他人己經(jīng)發(fā)表或

2、撰寫(xiě)巧的研究成果，化不巧含為獲得天津工業(yè)大學(xué)或其佈教育機(jī)構(gòu)的挙化或．證書(shū)而使用過(guò)的材料一同王作的同志對(duì)本研巧所做的任何貢獻(xiàn)均己在論文。與我中作了明確的說(shuō)明并表示了謝意。學(xué)位論文作者簽名；貸隹；＾簽字曰期刻／方年３月曰７學(xué)位論文版權(quán)使用授權(quán)書(shū)本學(xué)位論文作者完全了解支達(dá)王業(yè)支堂＿有關(guān)保留、使用學(xué)位論文的規(guī)定。特授權(quán)天津工業(yè)大學(xué)可Ｗ將學(xué)位論義的令部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)講行檢索，并采用影印、縮印或掃描等復(fù)制手段保存、匯編供查閱和借閱。同意學(xué)校向國(guó)家有關(guān)部口或機(jī)構(gòu)送交論文的復(fù)印件和磁盤(pán)。（保密的學(xué)位論文在解

3、密后適用本授權(quán)說(shuō)明）學(xué)位論文作者簽名：導(dǎo)師簽名扭隹桃：巧呼簽字曰期部（（年３月７曰簽字曰期：７〇《年５月曰（７學(xué)位論文的主要?jiǎng)?chuàng)新點(diǎn)一、通過(guò)對(duì)支持向量機(jī)的深入研究，發(fā)現(xiàn)支持向量機(jī)不能充分的利用樣本屬性；使用支持向量機(jī)進(jìn)行類別劃分時(shí)可認(rèn)為只利用了超平面法向量方向，但除該方向之外其他方向的屬性仍然有著或多或少的作用。二、提出了旋轉(zhuǎn)空間特征提取算法，利用支持向量機(jī)算法和旋轉(zhuǎn)矩陣對(duì)空間中樣本節(jié)點(diǎn)重復(fù)進(jìn)行旋轉(zhuǎn)和投影，Ｗ達(dá)到特征提取的目的。實(shí)驗(yàn)結(jié)果表明，本算法性能優(yōu)異，比目前主流的主成分分析算法提?。崳?/p>

4、的特征效果更好。摘要隨著大數(shù)據(jù)時(shí)代的到來(lái)，龐大的數(shù)據(jù)量給人們帶來(lái)無(wú)限商機(jī)，也引起了學(xué)術(shù)界、企業(yè)界及政府機(jī)構(gòu)的高度重視。但數(shù)據(jù)的復(fù)雜性和多樣性也導(dǎo)致數(shù)據(jù)價(jià)值密度不高，兀余數(shù)據(jù)較多等問(wèn)題。如何從龐大的數(shù)據(jù)集中提取有效信息＾輔助數(shù)據(jù)！分析已成為數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)領(lǐng)域研究的焦點(diǎn)。一數(shù)據(jù)挖掘的個(gè)重要研究?jī)?nèi)容是特征選擇和持征提取。其中，主成分分析算法是一種常見(jiàn)的特征提取方法，它通過(guò)計(jì)算協(xié)方差達(dá)到特征提取的目的。支持向一一量機(jī)最初是種用于對(duì)數(shù)據(jù)進(jìn)行類別劃分和預(yù)測(cè)的機(jī)器學(xué)習(xí)算法，通過(guò)在個(gè)高一一一維空間中尋找個(gè)超平面，使

5、得分布于超平面同側(cè)的數(shù)據(jù)盡可能屬于同個(gè)類別。本文通過(guò)對(duì)支持向量機(jī)算法做深入研究后，發(fā)現(xiàn)支持向量機(jī)算法也可Ｗ被用一于特征提取，。借鑒主成分分析算法中的旋轉(zhuǎn)思想本文提出了種基于支持向量機(jī)、空間旋轉(zhuǎn)與坐標(biāo)投影的特征提取方法；然后用皮爾森相關(guān)系數(shù)驗(yàn)證單個(gè)特征的有效性；最后使用主流分類器驗(yàn)證所提取特征的有效性。實(shí)驗(yàn)結(jié)果表明，本算法在樣本集上提取到的前３個(gè)特征與分類標(biāo)簽均有顯著的相關(guān)性，而第３個(gè)レッ后的將征與類標(biāo)簽的相關(guān)性極弱。在不同分類器的分類結(jié)果中，當(dāng)使用經(jīng)旋轉(zhuǎn)空間特征提取算法處理后的特征時(shí)，分類結(jié)果在７７％的樣本

6、集上獲得了比當(dāng)使用ＰＣＡ算法處理后的特征時(shí)更髙的預(yù)測(cè)正確率，在超過(guò)８８％的樣本集上獲得了比直接使用源數(shù)據(jù)時(shí)更離的預(yù)測(cè)正確率；特別是當(dāng)使用樸素貝１４葉斯算法時(shí)，％在本算法處理后的特征上比直接在源數(shù)據(jù)上正確率高出近；當(dāng)，１使用單層決策樹(shù)時(shí)，在本算法處理后的特征上比在經(jīng)ＰＣＡ處理后的特征上測(cè)正確率高出近１０％。：關(guān)鍵詞支持向量機(jī)；冗余數(shù)據(jù)；大數(shù)據(jù)；特征提取ＡＢＳＴＲＡＣＴＷｉｔｈｔｈｅａｄｖｅｎｔｏｆｔｈｅｅｒａｏｆｂｉｇｄａｔ：ａ，ｔｈｅｈｕｇｅａｍｏｕｎｔｏｆｄａｔａｂｒｉｎｇｓｕ

7、ｎＨｍｉｋｄｎ，ｂｕｓｉ打ｅｓｓｏｐｐｏｒｔｕ打ｉｔｉｅｓ，ａｔｔｒａｃｔｉｎｇｔｈｅａｃａｄｅｍｉｃ，ｉｄｕｓｔｒｙａｎｄｇｏｖｅｍｍｅ打ｔａｇｅｎｃｉｅｓｒｅａｔａｔｅｎｔｉｏｎｂｕｔｗｉｔｈｄａｔａｉｓｂｅｃｏｍｉｎｉｎｃｒｅａｓｉｎｌｃｏｍｌｅｘａｎｄｄｉｖｅｒｓｅｓｏｍｅｇ，；ｇｇｙｐｉｓｓｕｅｓａｅａｒｌｔｔｔ．ｔｏｅｘｔｒａｃｔｐｐｉｋｅｌｏｗｅｒｄａａｄｅｎｓｉｙａｎｄｍｏｒｅｄａａｒｅｄｕｎｄａｎｃｙＳｏｈｏｗｕｓｅｆｕｌｉｎｆｏｒｍａｔｉｏｎ

8、ｆｒｏｍｌａｒｇｅｄａｔａｔｏｆａｃｉｌｉｔａｔｅｄａｔａａｎａｌｙｓｉｓａｎｄｃａｌｃｕｌａｔｉｏｎｓａｒｅｂｅｃｏｍｉｎｇｍｏｒｅａｎｄｍｏｒｅｉｍｏｒｔａｎ