資源描述：
《支持向量機(jī)算法研究及應(yīng)用論文》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、支持向量機(jī)算法研究及應(yīng)用畢業(yè)論文目錄1.緒論41.1課題背景41.2國(guó)內(nèi)外研究綜述41.3本課題研究的意義和目的52.最優(yōu)化基礎(chǔ)52.1歐式空間上的凸規(guī)劃52.2Hilbert空間上的凸規(guī)劃53.線性分類機(jī)53.1線性可分問(wèn)題的支持向量分類機(jī)53.2線性支持向量分類機(jī)54.線性回歸機(jī)54.1硬-帶超平面54.2線性硬-帶支持向量回歸機(jī)55.核與支持向量機(jī)55.1核函數(shù)55.2支持向量機(jī)及其性質(zhì)56.支持向量機(jī)的應(yīng)用56.1準(zhǔn)備工作56.2問(wèn)題描述56.3步驟56.4實(shí)現(xiàn)圖527.結(jié)束語(yǔ)5參考文獻(xiàn)5致謝辭5附錄1英文原文5附錄2中文譯文5附錄3
2、代碼52山東科技大學(xué)本科畢業(yè)設(shè)計(jì)（論文）1緒論1.1課題背景支持向量機(jī)是借助于最優(yōu)化方法解決數(shù)據(jù)挖掘中若干問(wèn)題的有力工具，它在一定程度上克服了“維數(shù)災(zāi)難”和“過(guò)學(xué)習(xí)”等傳統(tǒng)困難，并在文本分類、生物信息、語(yǔ)音識(shí)別、遙感圖像分析、故障識(shí)別和預(yù)測(cè)、時(shí)間序列預(yù)測(cè)、信息安全等諸多領(lǐng)域有了成功的應(yīng)用。國(guó)內(nèi)外數(shù)學(xué)專家仔細(xì)研究了支持向量機(jī)理論,并針對(duì)目前一些支持向量機(jī)算法存在的缺陷,分析了產(chǎn)生的原因,提出了兩種新的支持向量機(jī)算法,針對(duì)支持向量機(jī)算法難以處理大規(guī)模數(shù)據(jù)的問(wèn)題,提出了兩種新的支持向量機(jī)分類方法。隨著對(duì)支持向量機(jī)研究的深入，涌現(xiàn)了許多支持向量機(jī)的變
3、形算法，其主要思想是通過(guò)增加函數(shù)項(xiàng)、變量或系數(shù)等方法使公式變形，從而產(chǎn)生各種具有某一方面優(yōu)勢(shì)的或者具有一定應(yīng)用范圍的新算法。1.2國(guó)內(nèi)外研究綜述支持向量機(jī)是借助于最優(yōu)化方法解決數(shù)據(jù)挖掘中若干問(wèn)題的有力工具，支持向量機(jī)不僅有著統(tǒng)計(jì)學(xué)習(xí)理論的監(jiān)視理論，而且具有直觀的幾何解釋和完美的數(shù)學(xué)形式。雖然自20世紀(jì)90年代有Vapnik提出以來(lái)一直處于飛速發(fā)展的階段，但是支持向量機(jī)的理論基礎(chǔ)和各種算法實(shí)現(xiàn)的基本框架已經(jīng)形成，自2000年開始，國(guó)外已陸續(xù)有專著出版。2004年，鄧乃揚(yáng)等人在科學(xué)出版社出版了學(xué)術(shù)專著《數(shù)據(jù)挖掘中的新方法——支持向量機(jī)》，該書是國(guó)
4、內(nèi)第一本專門對(duì)支持向量機(jī)進(jìn)行全面完整介紹和論述的著作。60山東科技大學(xué)本科畢業(yè)設(shè)計(jì)（論文）國(guó)內(nèi)外數(shù)學(xué)專家仔細(xì)研究了支持向量機(jī)理論，并針對(duì)目前一些支持向量機(jī)算法存在的缺陷，分析了產(chǎn)生的原因，提出了兩種新的支持向量機(jī)算法,針對(duì)支持向量機(jī)算法難以處理大規(guī)模數(shù)據(jù)的問(wèn)題，提出了兩種新的支持向量機(jī)分類方法。并就多類別分類問(wèn)題等方面開展了初步的理論研究。該文主要工作包括：(1)討論了支持向量機(jī)理論中各種變形的支持向量機(jī)算法，對(duì)常規(guī)支持向量機(jī)公式進(jìn)行變形的算法主要有C-SVM系列、v-SVM系列、One-classSVM、RSVM、WSVM和LS-SVM等算
5、法，通過(guò)增加函數(shù)項(xiàng)、變量或系數(shù)等方法使公式變形，產(chǎn)生出各種有某一方面優(yōu)勢(shì)或者一定應(yīng)用范圍的算法。通過(guò)比較它們各自的優(yōu)缺點(diǎn)等情況，為提出新的支持向量機(jī)算法做了理論準(zhǔn)備。(2)介紹了超球面支持向量機(jī)算法的思想,以及超球面和超平面的區(qū)別。(3)針對(duì)某些支持向量機(jī)算法不能解決樣本類別之間差異造成的不良影響的缺陷，提出了一種新的加權(quán)支持向量機(jī)算法，該算法具有補(bǔ)償類別差異的優(yōu)點(diǎn)，可應(yīng)用于解決多類別分類問(wèn)題。(4)提出了基于粗糙集理論和支持向量機(jī)理論的粗SVM分類方法。(5)提出了基于主成分分析方法和支持向量機(jī)理論的去噪聲加權(quán)SVM分類方法。(6)把支持向
6、量機(jī)理論應(yīng)用到污水處理過(guò)程運(yùn)行狀態(tài)監(jiān)控中去。60山東科技大學(xué)本科畢業(yè)設(shè)計(jì)（論文）由于支持向量機(jī)具有堅(jiān)實(shí)的理論基礎(chǔ)并在很多領(lǐng)域表現(xiàn)出良好的推廣性能，因?yàn)閲?guó)際上正在廣泛開展對(duì)支持向量機(jī)的研究。90年代之后取得了許多突破性進(jìn)展，許多改進(jìn)的和新型的SVM算法相繼出現(xiàn)。目前對(duì)支持向量機(jī)的研究主要包括：SVM訓(xùn)練算法；大規(guī)模問(wèn)題的求解；模型選擇；應(yīng)用研究等反方面。支持向量機(jī)是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來(lái)的一種新的通用學(xué)習(xí)方法，其主要思想可概括為兩點(diǎn)：首先，它通過(guò)使用非線性映射將低維輸入空間的樣本映射到高維特征空間，從而使得在特征空間采用線性方程對(duì)樣本進(jìn)行
7、分類成為可能；其次，他遇到過(guò)使用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則在特征空間構(gòu)建最優(yōu)化分類超平面，使得學(xué)習(xí)機(jī)會(huì)有較好的泛化能力。最優(yōu)化分類超平面可以通過(guò)解決一個(gè)二次規(guī)劃問(wèn)題獲得，包括線性可分、非線性可分兩種情況。隨著對(duì)支持向量機(jī)研究的深入，涌現(xiàn)了許多支持向量機(jī)的變形算法，其主要思想是通過(guò)增加函數(shù)項(xiàng)、變量或系數(shù)等方法使公式變形，從而產(chǎn)生各種具有某一方面優(yōu)勢(shì)的或者具有一定應(yīng)用范圍的新算法。1.3本課題研究的意義和目的支持向量機(jī)是借助于最優(yōu)化方法解決數(shù)據(jù)挖掘中若干問(wèn)題的有力工具，它在一定程度上克服了“維數(shù)災(zāi)難”和“過(guò)學(xué)習(xí)”等傳統(tǒng)困難，并在文本分類、生物信息、語(yǔ)音識(shí)
8、別、遙感圖像分析、故障識(shí)別和預(yù)測(cè)、時(shí)間序列預(yù)測(cè)、信息安全等諸多領(lǐng)域有了成功的應(yīng)用。在論文寫作中學(xué)習(xí)運(yùn)用相關(guān)軟件繪制圖行,熟練掌握文本中的公式編輯以及插入,學(xué)會(huì)運(yùn)用v
