学位论文 > 优秀研究生学位论文题录展示

双阈值控制的字符串核SVM研究

作　者: 张伟
导　师: 孙华志；曾涛
学　校: 天津师范大学
专　业: 教育技术
关键词: SVM SMO 双阈值字符串核
分类号: TP181
类　型: 硕士论文
年　份: 2009年
下　载: 42次
引　用: 0次
阅　读: 论文下载

内容摘要

支持向量机(SVM)是在统计学习理论(SLT)的基础上发展起来的一种机器学习方法。它建立在结构风险最小原则(SRM)之上,能有效避免过学习、维数灾难、产生局部极小点等问题,在小样本条件下仍具有良好的推广能力。本文旨在对序列最小优化算法(SMO)进行改进,并构造一个字符串核SVM。论文对SMO算法进行详细的分析,指出当所有训练样本都在边界,阈值无法确定时,使用取上下界均值方法带来的优化效率下降问题。针对这个问题,本文提出使用双阈值控制的方法,将KKT条件进行推导转化形成新的优化判断条件,避免了不正确的阈值更新引起的冗余计算。然后本文讨论了结构化数据向量转化中的信息丢失问题,引入结构化核函数的概念。并根据字符串结构特征,构造了一个有限字符串结构核函数,准确地描述了字符串的相似度。并将其应用于字符串样本训练,形成基于字符串核的支持向量机(SSVM),从而将SVM适用范围拓展到结构化数据。实验证明,双阈值SMO算法比SMO算法效率更高,SSVM在字符串分类中能达到较好的效果。最后,本文在LIBSVM基础上开发了一个双阈值控制的SSVM模拟系统。

全文目录

摘要  5-6
Abstract  6-9
第一章绪论  9-11
  1.1 研究背景  9-10
  1.2 本文工作  10
  1.3 论文结构概述  10-11
第二章统计学习与支持向量机  11-32
  2.1 统计学习理论  11-15
    2.1.1 VC维  11-12
    2.1.2 学习过程的一致性  12-14
    2.1.3 结构风险最小原则  14-15
  2.2 核函数  15-22
    2.2.1 核函数的定义和性质  15-20
    2.2.2 核函数的构造方法  20-22
  2.3 支持向量机  22-32
    2.3.1 SVM模型  22-28
    2.3.2 训练算法  28-32
第三章双阈值控制的字符串核SVM方法设计  32-52
  3.1 SMO算法分析  32-42
    3.1.1 SMO的KKT优化条件  32-34
    3.1.2 二次规划  34-37
    3.1.3 变量更新  37-39
    3.1.4 优化变量的选择及算法步骤  39-42
  3.2 对SMO算法的改进  42-46
    3.2.1 SMO阈值更新中的问题  42-44
    3.2.2 双阈值SMO算法  44-45
    3.2.3 双阈值SMO算法试验分析  45-46
  3.3 基于字符串核函数的SVM(SSVM)  46-52
    3.3.1 结构化核函数的意义  46-47
    3.3.2 字符串核函数的构造方法  47-48
    3.3.3 构造一个有限字符串核函数  48-50
    3.3.4 SSVM方法试验分析  50-52
第四章双阈值控制的SSVM模拟系统的实现  52-62
  4.1 系统设计目的  52-53
  4.2 系统模块设计  53-58
    4.2.1 预处理模块  54-56
    4.2.2 核函数模块  56-57
    4.2.3 训练模块  57
    4.2.4 预测模块  57-58
  4.3 系统实现  58-59
  4.4 系统测试  59-62
    4.4.1 二维Iris数据集  59-60
    4.4.2 三维Iris数据集  60-61
    4.4.3 Australian数据集  61-62
第五章总结与展望  62-63
参考文献  63-65
致谢  65

双阈值控制的字符串核SVM研究

内容摘要

全文目录

相似论文