欢迎来到天天文库
浏览记录
ID:35056382
大小:4.16 MB
页数:51页
时间:2019-03-17
《基于fisher鉴别分析对支持向量机算法进行优化的研究》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、分类号TP301巧巧公开UDC编号f煮Jc聲巧女研《4#化讼乂题目基于Fisher鉴别分析对支持向巧祝义法銷巧优化的研究TitleResearchontheoptimizationofsupportvectormachinealgorithmbasedonFisherdiscriminantanalysis学院(所、中也)信息学院专业名称计寡机应用巧术研究生姓名罗昕学号1201300:1067导师姓名周小兵职称副教授二零一六年兰月I
2、论女独创性声明及使用授权本论文是作者在导师指导下取得的研究成果。除了文中特别加W标注和致谢的地方外,论文中不包含其他人已经发表或撰写过的研究成果,不存在飄窃或抄袭巧为。与作者一同工作的同志对本研究所做的任何贡献均己在论文中作了明确的说明并表示了谢意。:学校有权保留本论文(含电子版)现就论文的使用对云南大学授权如下,也可,采用影印、缩印或其他复制手段保存论文;学校有权公布论文的全部或部分内容可W将论文用于查阅或借阅服务!学校有权向有关机构送交学位论文用于学术规范审查、社会监督或评奖;学校有权将学位论文的全部或部
3、分内容录入有关数据库用于检索服务。(内部或保密的论文在解密后应遵循此规定)研巧牛答名导师综名.外V:=日期II摘要摘要一支持向量机(SVM)是个有监督的学习模型,它W统计学习原理为基础,这使得它具有坚实的统计学基础,在高维、小样本、非线性的模式识别问题中具有很强的适用性。虽然支持向量机相比于其他机器学习算法而言,它具备有鲁棒性好、算法简单易行的特点,这使得它在机器学习、模式识别等领域应用中具有更为广阔的发展空间,但同时支一持向量机算法也存在有定的不足之处:在处理大规模样本分类问题时,支持向量机的性能
4、会大幅度降低一。本文主要提出了种提高大规模样本情况下的支持向量机分类性能的优化算法。本文介绍了支持向量机和Fisher鉴别分析后,基于线性可分性分别从线性可分与线性不可分方向上对它们的理论原理进行了深入的介绍,从而发现支持向量机与Fisher鉴别分析法之间的关联性:支持向量机算法的最优超平面与Fisher鉴别分析法的最佳一一投影方向之间存在有定的关系,Fisher。W此为基础提出了种基于鉴别分析法对支持向量机算法的优化:通过Fisher鉴别分析法来快速的选择出支持向量机的关键支。持向量,从而大幅缩减支持向量机样本
5、训练时间在提出该优化算法后,本文通过对该算法在线性可分和线性不可分两种情况下的仿真实验对其进行了验证,发现在不降低分类精度的情况下,确实可W提高支持向量机的性能,。在验证了该优化算法的可用性后又将该算法实际应用在入侵检测系统中并对其性能进行了仿真实验。关键词:支持向量机,Fisher鉴别分析法,关键支持向量,最佳超平面,最佳投影方向,线性可分性I.ABSTRACTABSTRACTSupportvectormachineisasupervisedlearningmodel,itisbased
6、onStatisticalLearningTheory.So,ithasasolidstatisticalfoundation,itmakessupportvec化rmachine化haveastronsuilitiilitabtinsolvinheclassificatonroblemsnthefiedofthehihdimensiongygpg,smallsamleandno打linearaternreconitio打roblem.Gomaredtoth
7、eothermachineppgpplearninalorithmsthesuortvectormachinehas泣oodrobustness.Meanwhile,thegg,ppgcharact:eri巧icsofthealgorithmissimpleandfeas化le,whichmakesitapplicableintheareasofmachinelearninandatternreconitionandhasamorebroadsaceford
8、eveloment.gpg,ppSuort-ppvectormachinealsohascertai打disadvantages
此文档下载收益归作者所有