【论文】改进的支持向量机算法研究

《【论文】改进的支持向量机算法研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、改进的支持向量机算法研究I摘要基于统计学习理论的支持向量机算法具有坚实的数学理论基础和严格的理论分析，具有理论完备、全局优化、适应性强、推广能力好等优点，是机器学习中的一种新方法和研究新热点。它使用结构风险最小化原则，综合了统计学习、机器学习和神经网络等方面的技术，在最小化经验风险的同时，有效地提高了算法泛化能力。它与传统的机器学习方法相比，具有良好的潜在应用价值和发展前景。支持向量机(SVM)算法在训练样本数量很多时，算法的速度较慢，而但一旦有新的样本加入，所有的训练样本必须重新训练，非常浪费时间。为此，本文结合实际研究侍確男根媳岗隽艘恢屮碌幕诒吃纟曼姑康闹c窒姑炕隽

2、克惴a8盟惴？充分利用训练样木集的儿何信息，首先从原始训练样木屮寻求最有可能成为支持向量的边界向量，形成新的训练样本集，其次进行SVM训练，从新的训练样本集中寻取支持向量，提高了算法速度。最后利用基于边界向量的支持向量机増量算法对我国国内生产总值(GDP)值进行了预测，并与传统支持向量机算法对预测结果进行比较分析，计算结果显示：基于边界向量的支持向量机增量算法既可保证学习机器的精度和良好的推广能力，而且算法的学习速度比经典的SVM算法快，可以进行快速的增量学习。关键词:边界向量，支持向量机，增量算法，GDP,预测改进的支持向量机算法研究IIAbstractSupport

3、VectorMachinewhichisbasedonStatisticalLearningTheoryhasasolidfoundationofmathematicaltheoryandrigoroustheoryanalysis.Withtheadvantagesofcompletetheory,globaloptimization,adaptabilityandabilitytopromote,itisanewMachineLearningmethodandoneofthenewhottopics.ItusestheprincipleofStructuralRis

4、kMinimization,andintegratesthetechnologyaboutstatisticallearning,machinelearningandneuralnetworkstechnologyetc.Atthesametime,iteffectivelyimprovesthegeneralizationabilityofthealgorithm.Comparedwiththetraditionalmachinelearningmethods,ithasgoodpotentialapplicationvalueanddevelopmentprospe

5、cts.SupportVectorMachine(SVM)algorithmisslowwhentrainingthelargenumberofsamples.Moreover,oncethesamplebyaddingnew,allthetrainingsamplesmustbere-trained,thusahugeoftimeiswasted.Therefore,accordingtothequestionoftheactualdemand,thispaperappliesanewSupportVectorMachineincrementalalgorithmwh

6、ichisbasedonboundaryvector・Thealgorithmtakesfulladvantagesofthegeometricinformationoftrainingsamplesets.Firstofall,toseekboundaryvectorswhicharelikelytobecomesupportvectorssoastoformanewtrainingsampleset.Secondly,totrainSVMforseekingsupportvectortoimprovethespeedofthealgorithm.Finally,th

7、eSupportVectorMachineincrementalalgorithmbasedontheboundaryvectorisusedtopredictChina'sGDP・AndcomparedwiththetraditionalSupportVectorMachinealgorithmtopredicttheresultsinordertocomparativeanalysis:theSupportVectorMachineincrementalalgorithmbasedontheboundaryvectornotonlyc