学位论文 > 优秀研究生学位论文题录展示
面向支持向量机的特征约简研究
作 者: 汤海先
导 师: 马光志
学 校: 华中科技大学
专 业: 计算机应用技术
关键词: 支持向量机 特征约简 分类 特征排名 信息增益
分类号: TP181
类 型: 硕士论文
年 份: 2009年
下 载: 21次
引 用: 0次
阅 读: 论文下载
内容摘要
支持向量机(Support Vector Machines, SVM)是一种高效的分类方法。支持向量机虽然能克服维数灾难问题,但如果直接使用原始数据集对其进行训练,可能因为计算量大而导致训练无法进行,也可能使分类器精度达不到理想的效果。在现代生物和医学等应用领域,数据集的维数常常达上千维甚至更高,而样本集的大小却有限,支持向量机的学习效果可能不会很理想,而且计算时间比较长。对于分类目标,原始数据集的部分特征或是不相关的或冗余的,甚至是噪声,对这些特征进行约简不会降低分类精度。特征约简对于分类器的构造至关重要,挑选一组对分类有影响或影响很大的特征,可以限制分类器特征的个数,从而改善分类精度,加快学习模型的构建时间,而且从少量的特征集得到的分类模型更加易于理解。目前,关于特征约简的方法较多,常用的方法大多基于关联度、信息增益和F-score。对于支持向量机的分类精度来说,这些约简方法的效果如何没有系统比较。在研究上述三种特征约简方法的基础上,开发了面向支持向量机的特征约简系统,对上述三种约简方法进行了实验验证,在此基础上建立了多组支持向量机学习模型。实验分别使用了2组临床应用数据集、6组UCI数据集及3组高维文本数据集。实验结果表明,通过对特征进行约简后建立支持向量机,可以明显地加快支持向量机的学习速度,同时可以有效地改善模型的分类精度。
|
全文目录
摘要 4-5 Abstract 5-8 1 绪论 8-15 1.1 课题研究的背景和意义 8-9 1.2 国内外研究概况 9-13 1.3 本文主要研究工作 13-14 1.4 本文的内容组织 14-15 2 支持向量机的相关理论和技术 15-26 2.1 支持向量机学习基础 15-17 2.2 支持向量机模型 17-22 2.3 核函数策略 22-25 2.4 本章小结 25-26 3 面向支持向量机的特征约简 26-36 3.1 特征约简 26-32 3.2 核函数参数选择 32-34 3.3 面向支持向量机的特征约简实现 34-35 3.4 本章小结 35-36 4 实验结果及分析 36-47 4.1 数据集介绍 36-37 4.2 实验设计 37-39 4.3 实验结果 39-41 4.4 实验分析 41-45 4.5 本章小结 45-47 5 全文总结与展望 47-49 5.1 总结 47-48 5.2 展望 48-49 致谢 49-50 参考文献 50-53
|
相似论文
- K公司计划及预测改进对于合理库存配置的研究,F224
- 基于SVM的常压塔石脑油干点软测量建模研究,TE622.1
- 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
- 基于PCA-SVM的液体火箭发动机试验台故障诊断算法研究,V433.9
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 音乐结构自动分析研究,TN912.3
- 基于词义及语义分析的问答技术研究,TP391.1
- 基于三维重建的焊点质量分类方法研究,TP391.41
- 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
- 基于串核的蛋白质分类算法的研究与实现,TP301.6
- 统计与语言学相结合的词对齐及相关融合策略研究,TP391.2
- 直推式支持向量机研究及其在图像检索中的应用,TP391.41
- 上下文相关的词汇复述研究,TP391.1
- 基于仿生模式识别的文本分类技术研究,TP391.1
- 互联网上旅游评论的情感分析及其有用性研究,TP391.1
- 基于SVM的中医舌色苔色分类方法研究,TP391.41
- 基于图像的路面破损识别,TP391.41
- 多样性密度学习算法的研究与应用,TP181
- 运动特征及地形约束的感知网目标跟踪算法及系统研究,TP212.9
- 基于支持向量机的故障诊断方法研究,TP18
- 过程支持向量机及其在卫星热平衡温度预测中的应用研究,TP183
中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论 > 自动推理、机器学习
© 2012 www.xueweilunwen.com
|