svm参数寻优及其在分类中的应用

《svm参数寻优及其在分类中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、万方数据分类号UDC密级大连海事大学硕士学位论文SVM参数寻优及其在分类中的应用徐晓明指导教师刘巍职称教授学位授予单位申请学位类别论文完成日期答辩委员会主席避万方数据IlllIlllIlllIIllllIIIY2696426SVMParameterOptimizationandItsApplicationintheClassificationAthesisSubmittedtoDalianMaritimeUniversityInpartialfulfillmentoftherequirementsforthedegreeofMasterofSciencebyXuXiaomin

2、g(Mathematics)ThesisSupervisor：ProfessorLiuWeiOctober2014万方数据大连海事大学学位论文原创性声明和使用授权说明原创性声明本人郑重声明：本论文是在导师的指导下，独立进行研究工作所取得的成果，撰写成硕士学位论文==墨型叁数曼垡丛基在岔耋史数廑旦：：。除论文中已经注明引用的内容外，对论文的研究做出重要贡献的个人和集体，均己在文中以明确方式标明。本论文中不包含任何未加明确注明的其他个人或集体已经公开发表或未公开发表的成果。本声明的法律责任由本人承担。学位论文作者签名：径直幽学位论文版权使用授权书本学位论文作者及指导教师完全了解大

3、连海事大学有关保留、使用研究生学位论文的规定，即：大连海事大学有权保留并向国家有关部门或机构送交学位论文的复印件和电子版，允许论文被查阅和借阅。本人授权大连海事大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，也可采用影印、缩印或扫描等复制手段保存和汇编学位论文。同意将本学位论文收录到《中国优秀博硕士学位论文全文数据库》(中国学术期刊(光盘版)电子杂志社)、《中国学位论文全文数据库》(中国科学技术信息研究所)等数据库中，并以电子出版物形式出版发行和提供信息服务。保密的论文在解密后遵守此规定。本学位论文属于：保密口在——年解密后适用本授权书。不保密口(请在以上方框内打

4、“√”)论文作者签名：绦赂熙导师签名：吉“日期：幽1u年，】月』日万方数据中文摘要摘要支持向量机(SupportVectorMachine，简称SVM)是在20世纪90年代中期，由Vapnik提出的一种基于统计学习理论的机器学习算法，目前已应用于很多领域中。在支持向量机应用中，核函数及其参数的选择对支持向量机的分类结果有很大的影响。因此，支持向量机的参数优化成为支持向量机研究中的一个备受关注的研究课题。早期，采用手动调整支持向量机的参数；近几年，多采用智能算法自动优化支持向量机的参数，常用的优化算法有遗传算法、粒子群算法和网格搜索算法等。本文的主要工作如下：首先，本文介绍了支

5、持向量机的参数优化。分别利用遗传算法、粒子群算法和网格搜索算法来优化支持向量机的惩罚参数C和高斯核函数中的参数仃。其次，本文介绍了支持向量机参数优化在分类中的应用。将三种方法优化后的支持向量机用于UCI数据集分类问题中。数值实验结果，可以体现出三种参数优化算法的优缺点。当数据集包含的样本数目比较小时，利用网格搜索算法优化支持向量机的参数比较理想。当数据集包含的样本数目较大时，可以选择遗传算法和粒子群算法优化支持向量机参数。遗传算法优化支持向量机参数虽然在运行时间上不如粒子群算法，但是在分类正确率上占优势。关键词：支持向量机；遗传算法；粒子群算法；网格搜索算法万方数据英文摘要A

6、BSTRACTSupportvectormachineisamachinelearningalgorithmbasedonthestatisticallearningtheoryproposedbyVapnikinthemid·1990s，andithasbeenusedinmanyfields．InSVMapplications，thekernelfunctionanditsparametershaveagreatimpactonclassificationresults．Therefore，parametersoptimizationofsupportvectormach

7、inehasbecomeaconcernedresearchtopicinSVMresearch．Inthebegining，theparametersinSVMareadjustedmanually；inrecentyears，someintelligentalgorithmsareusedtooptimizetheparametersinSVM，suchasgeneticalgorithms，particleswarmoptimizationand鲥dsearchalgorithmandSOon．T