半监督孪生支持向量机

《半监督孪生支持向量机》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、硕士学位论文半监督孪生支持向量机Semi-supervisedTwinSupportVectorMachine作者：朱志宾导师：丁世飞教授中国矿业大学二〇一六年五月中图分类号TP181学校代码10290UDC004.8密级公开中国矿业大学硕士学位论文半监督孪生支持向量机Semi-supervisedTwinSupportVectorMachine作者朱志宾导师丁世飞申请学位工学硕士学位培养单位计算机科学与技术学院学科专业计算机应用技术研究方向孪生支持向量机答辩委员会主席张艳评阅人盲审、李向群二○一六年五月论文审阅认定书研究生朱志宾在规定的学习年限内，按照研究生培养方案的要求，完成了研

2、究生课程的学习，成绩合格；在我的指导下完成本学位论文,经审阅，论文中的观点、数据、表述和结构为我所认同，论文撰写格式符合学校的相关规定，同意将本论文作为学位申请论文送专家评审。导师签字：年月日致谢转眼之间，我也迎来了毕业季，在中国矿业大学的三年研究生生活就要结束了。这三年的研究生生活让我受益匪浅，充实的学习还有学术研究让我感受到了与本科阶段的巨大区别。一方面是知识面的扩展，另一方面则是对一些问题的深层次的研究，这些都让我感受到了研究生阶段给我带来的好处，这对我以后的人生也将产生巨大的影响。这三年的学习生活中，很多人都给了我非常多的帮助，现在我要向他们表达我最诚挚的谢意。首先，我要感谢

3、我的导师丁世飞教授。在刚进入研究生生活的时候，丁老师耐心指导我，对我在学术上的研究悉心教导，给我指明了大体研究方向，为我这几年的研究工作打下了基础。在之后发表论文的时候，丁老师也给出了很多有用的意见，使我写的论文能够较快的发表。就学术研究这一块来说，丁老师教给我很多，让我逐步进入这个领域，写了几篇论文，也获得了很多知识。丁老师给了我一个很好的学习环境，生活上也给了我许多帮助，同时在思想上也给予了我谆谆教诲，这些对我来说无疑是宝贵的财富。而本文的选题到最终的定稿都是在丁老师的悉心指导下完成的。在这，我再次表示对丁老师的诚挚谢意。然后，我要感谢实验室朝夕相处的师兄师姐，师弟师妹们。研究生

4、生活不像本科，没有班级，实验室的各位就是一个小集体。他们不仅在我刚来的时候给予了我学习上的帮助，在平常的相处中，他们也给予了我很多的关心。可以说师兄师姐们教会了我很多，很多事情都是由师兄师姐给我指导，让我能更快的步入研究生生活。师弟师妹们在平常的生活中，我们相互关心，相互帮助，让我的研究生生活不再迷茫，让我收获颇多。感谢我的父母和家人，每当我遇到困难，父母家人无条件地支持我，给我鼓励与帮助，给了我极大地信心去面对一切。身后的他们就是我最坚实有力的后盾，感谢他们一直的理解和支持。最后，还要感谢参与我论文评审和答辩的各位老师，你们给了我一个对这三年学习成果的审视机会。我将在今后的工作中更

5、加的努力，希望能够取得更多的成果回报你们，回报社会。再次感谢我所提到的所有人员，祝你们一生幸福！摘要孪生支持向量机(TwinSupportVectorMachines,TWSVM)是在2007年提出的，在形式上类似于经典的支持向量机(SupportVectorMachines,SVM)，时间消耗上却缩减到了SVM的1/4。它的思想来源于近似支持向量机(ProximalSupportVectorMachines,PSVM)和基于广义特征值近似支持向量机(ProximalSVMbasedonGeneralizedEigenvalues,GEPSVM)。与SVM一样，TWSVM也具有坚实的

6、理论基础，并且具有推广能力强等优点。自从TWSVM提出以来，就因为其优越的性能而成为了机器学习领域的一个研究热点。学者们也对其提出了各种优化和改进。而TWSVM的标准形式也只适用于有监督学习的情况，而现实生活中产生的大量数据都是无标签的，在有监督学习中仅采用有限的有类别标签数据时，很难得到具有强泛化性能的学习器，因此TWSVM并不能很好地利用这些无标签数据来提高自身的学习能力。面对少量的有标签数据和大量的无标签数据，半监督学习方法可以帮助TWSVM提高解决这类问题的分类性能。将半监督学习思想引入TWSVM中，使两者相结合，可以改善标准TWSVM的缺点，并获得更好的分类效果，而这个问题

7、的研究也有其重要的意义，本文的主要研究内容如下：首先，本文在标准TWSVM的基本形式上，即其优化函数中，加入了无标签数据，从而提出了半监督孪生支持向量机的最原始模型。原本的标准TWSVM中，都是针对有标签数据而言，整个表达式中也必须是利用有标签数据。而在经过对标准TWSVM的表达式进行一些推导改造之后，能够将无标签数据也在表达式中体现出来，这意味着我们可以在求解的过程中就利用到无标签数据，而这也可以认为是半监督孪生支持向量机的原始模型。其次，本文在考虑到半