基于机器学习的分类算法研究

《基于机器学习的分类算法研究》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、？－？Ｖ．？：．：：异；；；片：壬■．？？．．．．户．：左分冀号ＥＴＦ３９１：单俊巧釋ｇ？麵．＼／．．．＇学号－Ｓ別３㈱那龄黎作—＿＿ＶＮｏｒｔｈＵｎｉｖｅｒｓｉｔｙＯｆＣｈｉｎａ全日制工程硕±学位论文基于机器学习的分类算法研究．：：？ｓ＞，硕：ｔ研究生＿＿．＿裴撼年，扁’戀．，心＋１鳴Ｉ－？…心－心ＳＬｒｉａｉＷ帝原创性声明本人郑重声明：所呈交的学位论文，是本人在指导教师的指导下

2、，独立进行硏究所取得的成果。除文中已经注明引用的内容外，本论文不包含其他个人或集体已经发表或撰写过的科研成果。对本文的研究作出重要贡献的个人和集体，均已在文中＾乂明确方式标明。本声明的法律责任由本人承担。术‘如论文作者签名：嫂今日期；讀夕关于学位论文使用权的说明本人完全了解中北大学有关保管、使用学位论文的规定：，其中包巧①学校有权保管、并向有关部口送交学位论文的原件与复印件；②学校可ｋ乂采用影印、缩印或其它复制手段复制并保存学位论文；③学校可允许学位论文被查闽或借陶；④学校可Ｗ学术交流为目

3、的，复制赠送和交换学位＞全论文１＾１公文部或部分内容（保密位论文在解密；⑤学校可布学位论的学。后遵此定）守规：邊：本日期签名舞／气、／＾瓜＾１ｙ；日期：导签＿＿师名冷图书分类号TP391密级非密UDC全日制工程硕士学位论文基于机器学习的分类算法研究裴松年校内指导教师（姓名、职称）杨秋翔教授校外指导教师（姓名、职称）申请学位级别工程硕士所在领域（研究方向）软件工程论文提交日期年月日论文答辩日期年月日学位授予日期年月日论文评阅人答辩委员会主席2016年月日中北大学学位论文基于机器学习的分类算法研究摘要机器学习

4、是研究使计算机模仿人类学习行为和积累经验的方式，不断提升和优化自身性能的统计学习方法，是人工智能主要关注和研究的问题之一。它可以通过对一定的样本集蕴含的规律进行学习而构造出一个具有低结构风险和高泛化能力的分类模型，其中支持向量机（SupportVectorMachine,SVM）是基于最大化类间间隔思想在原始数据空间中寻找构建一个最优决策超平面将两类不同的样本尽可能分开，在非线性分类中，选择引用特定核函数将原始样本空间映射到可构造出最优分类决策超平面的高维特征空间中。ANN（ArtificialNeuralNetwork,）则是模

5、仿人脑结构和功能，由大量具有处理能力的神经元相互连接组成。ANN通过调整连接值大小和阈值从训练数据中学习知识、经验和规律，具有很强的模式分类能力，其中误差反传神经网络(ErrorBackPropagationNetwork,BP)是神经网络中实际应用最广泛和成功的方法之一，其学习过程是在正向传播时输入样本数据经过输入层传入，隐层处理后输入输出层，若输出层输出与期望值不一致，则转向将输出误差通过用某种方法隐层逐层反传至输入层，并同时逐层修改各层神经元之间的连接权值和阈值大小。本论文的所有研究工作主要包括两大部分内容：（1）结合N-S

6、磁极效应和SVM提出一种新颖的分类器模型。本文深入研究了目前传统的SVM以及变体算法，发现传统SVM以及变体只考虑最大化类间间隔而忽略了类内分布性状或分类边界，因此结合N-S磁极效应原理和大间隔思想提出一种新颖的最大间隔分类模型。该模型不仅考虑了最大化类间间隔，而且兼顾了类内分布性状，同时引入模糊隶属度技术降低噪声和野点对构造超平面的干扰。从人工数据集以及UCI数据集上的实验数据分析证明，新提出的分类模型能有效的提高了类线性数据分布的分类性能和泛化能力。（2）提出一种改进的CBP网络算法。本文深入研究传统BP网络以及国内外前辈学者

7、的改进方法，由于传统的BP方法及其改进在训练过程中存在学习速率保持固定不变、收敛性慢以及极易落入局部极小值附近等缺陷和不足，通过在各层权值和偏差调整中北大学学位论文中引入各个权值对误差的贡献率使学习速率根据误差和贡献率连续变化，并结合动量系数法加快跳出局部极小值附近区域，能消除训练过程振荡和提高收敛性。从XOR异或和非线性逼近实验证明，改进后的CBP比传统的BP算法不仅加快了网络收敛性，而且具有较好的鲁棒性。关键词：机器学习，分类，SVM，核方法，BP神经网络中北大学学位论文TheClassificationAlgorithmRe

8、searchBasedonMachineLearningAbstractMachinelearningisthestudyofcomputersimulationofhumanlearningbehaviorandexperiencetoacqui