資源描述：
《基于支持向量機(jī)的組合核函數(shù)及模糊系統(tǒng)辨識(shí)研究》由會(huì)員上傳分享，免費(fèi)在線(xiàn)閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、西南交通大學(xué)碩士研究生學(xué)位論文第1頁(yè)!IIII曼曼曼曼!曼曼!曼曼曼!曼量摘要基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)是一種新型機(jī)器學(xué)習(xí)工具。它具有推廣能力強(qiáng)、全局優(yōu)化、與維數(shù)無(wú)關(guān)等優(yōu)點(diǎn)，已成功的應(yīng)用于文本分類(lèi)、模糊辨識(shí)、智能控制、圖像處理等領(lǐng)域。核函數(shù)將低維輸入向量通過(guò)映射而工作在高維特征空間，從而有效的解決維數(shù)災(zāi)難及非線(xiàn)性問(wèn)題，并且它攜帶了數(shù)據(jù)樣本間的依存關(guān)系、先驗(yàn)知識(shí)等信息。為更好的描述現(xiàn)實(shí)生活中存在的大量復(fù)雜非線(xiàn)性系統(tǒng)，人們提出了不同的非線(xiàn)性映射形式的模糊模型。模糊網(wǎng)格、模糊聚類(lèi)、神經(jīng)網(wǎng)絡(luò)等是常被用于這些模
2、糊模型中生成模糊規(guī)則的辨識(shí)方法，但它們易產(chǎn)生維數(shù)災(zāi)難、函數(shù)逼近能力不高、對(duì)野點(diǎn)及噪聲非常敏感等問(wèn)題。利用支持向量機(jī)的優(yōu)點(diǎn)，結(jié)合模糊系統(tǒng)，建立新的辨識(shí)方法，就得到了學(xué)者們的高度重視。因此，基于支持向量機(jī)理論的核函數(shù)及模糊辨識(shí)技術(shù)就具有重要的研究意義。本文主要著眼于支持向量機(jī)在核函數(shù)與模糊辨識(shí)等兩方面的應(yīng)用，主要內(nèi)容如下：l、組合核函數(shù)的構(gòu)造及參數(shù)選擇優(yōu)化研究。雖然高斯核函數(shù)在機(jī)器學(xué)習(xí)領(lǐng)域己被廣泛使用，但其具有的唯一參數(shù)不能反映出不同樣本特征的重要性，同時(shí)它還存在核寬度恒定、全局性差的缺點(diǎn)。為了更好的發(fā)揮核
3、函數(shù)的優(yōu)勢(shì)，本文構(gòu)造了一個(gè)基于高斯核函數(shù)、具有全局性與局部性及可變核寬度優(yōu)點(diǎn)的組合核函數(shù)；同時(shí)，針對(duì)支持向量機(jī)與組合核函數(shù)中的超參數(shù)，提出了一種結(jié)合支持向量機(jī)與BFGS的參數(shù)選擇優(yōu)化算法。2、GK模糊聚類(lèi)改進(jìn)算法研究。由于GK模糊聚類(lèi)能夠自動(dòng)地探測(cè)不同聚類(lèi)形狀，故其被認(rèn)為是一類(lèi)較好的用于分類(lèi)的數(shù)據(jù)分析技術(shù)。但是，其存在每次迭代中最終聚類(lèi)數(shù)恒定且需重新選擇聚類(lèi)中心、公式中要求協(xié)方差矩陣非零等缺點(diǎn)。本文針對(duì)以上問(wèn)題，提出了一種改進(jìn)型GK算法。3、新型模糊辨識(shí)算法研究。本文分析了缺少常數(shù)項(xiàng)的支持向量回歸機(jī)與M
4、amdani模糊模型的等價(jià)性，并提出了支持向量機(jī)模糊模型概念，以及利用改進(jìn)型GK算法對(duì)數(shù)據(jù)進(jìn)行分類(lèi)、支持向量回歸機(jī)提取模糊規(guī)則、梯度下降法優(yōu)化參數(shù)的模糊辨識(shí)算法。關(guān)鍵詞支持向量機(jī)；組合核函數(shù)；GK算法；模糊系統(tǒng)辨識(shí)西南交通大學(xué)碩士研究生學(xué)位論文第1I頁(yè)AbstractSupportvectormachines(SVM)basedonthestatisticallearningtheoryiSanewmachinelearningt001．Ithassomeadvantagessuchasgoodands
5、訂onggeneralizationability,globaloptimization,andunrelatedtopeacekeeping，andnOWithasbeensuccessfullyappliedinpatternrecognition，textclassifcation，fuzzyidentification，intelligentcontrol，medicalimageprocessingandsomeotherfields．Kernelfunctionmapslow—dimensi
6、onalinputvectortohighdimensionalspacetOsolvethecurseofdimensionalityandnonlinearproblemseffectively．Tobetterdescribequantitiesofcomplexnonlinearsystemsexistingintherealworld，reseachershaveproposedsomedifferentformsoffuzzymodelwithnonlinearmapping．Fuzzy鰣d
7、，fuzzyclustering，neuralnetworksarecommonlyusedinthefuzzymodeltOgeneratedidentificationoffuzzyrules．However，theyeasilyresultintovariousproblems：thecurseofdimensionality,sensitivitytOoutliersandnoiseproblems．Toovercometheseshortcomings，reseachersattachedan
8、ewidentificationmethodtoemploytheadvantagesofSVMandfuzzysystems．Therefore，itisimportanttostudythekemelrun．ionandfuzzyrecognitiontechnologybasedonsupportvectormachine．．T11iSpaperfocusesontheapplicationofSVMinkernelfunctiona
