文档介绍:论文审阅认定书
研究生 在规定的学习年限内,按照研究生培养方案
的要求,完成了研究生课程的学习,成绩合格;在我的指导下完成本
学位论文,经审阅,论文中的观点、数据、表述和结构为我所认同, 论文撰写格式符合学校的相关规定,同意将本论文作为学位申请论文送专家评审。
导师签字:
年 月 日
致谢
时光如梭,转眼间,在中国矿业大学三年的研究生学习马上就要结束了,这三年的研究生生活和科研学习使我受益匪浅、收获挺多的,这些知识经验必将对我今后的人生产生重大的影响。在这三年的学习生活中,我努力学习,也遇到了不少困难,但我得到了许多的关怀和帮助,现在我要向他们表达我最诚挚的谢意。
首先,我要向我的导师丁世飞教授表示衷心的感谢和崇高的敬意。本文从论文的选题、实验结果的分析到最终顺利定稿都是在丁老师的悉心指导下完成的,丁老师精心地指导我完成此文,倾注了极大的关怀。在三年的学习和科研生活中,丁老师不但为我提供了优越的学习环境,使我能够静心地在实验室做科研,在相关研究领域里取得了不少成就,获得了许多知识,而且在生活中也给予我许多帮助,关心我的生活,同时在思想上、人生态度和意志品质方面给予了我谆谆教诲,这些教益必将激励着我在今后的人生道路上奋勇向前。丁老师严谨求实的科研态度、精益求精的工作作风、敏锐开阔的思维能力和刚正直率的为人风格无不给予了我深远的影响。在科研的道路上我所取得的每一点成绩,每一点进步都离不开丁老师的悉心指导与帮助。借此机会,我再次由衷地向丁老师表达我最诚挚的感谢。
其次,我要感谢实验室所有的师兄师姐们,还有师弟师妹们,他们不仅在学术上给予我指导帮助,而且在平时的生活中也给予我很多关心和帮助。在刚入门时,对所有的科学领域都一无所知、找不着方向,师兄师姐们给予我帮助,传授他们以前的经验,帮助我快速找到自己的研究方向,感谢他们在我的学术论文上提供了这么多的指导意见,同时还提供给我许多参考文献的相关信息、教我如何查阅学习文献资料。感谢我们 2012 级的研究生同学及实验室的师弟师妹们,在这三年的学习生活中,我们互相关心、互相帮助,与他们的交流和讨论使我获益匪浅。
感谢我的父母和家人,没有他们的鼓励与帮助,就没有我的今天,不管遇到什么困难,他们都坚定不移地站在身后支持我、鼓励我,感谢他们一直以来对我的理解与支持。
最后,还要感谢参与我论文评审和答辩的各位老师,你们给了我一个审视几年来学习成果的机会,让我能够更加明确今后的发展方向,你们对我的帮助是一笔无价的财富。我将在今后的工作、学习中加倍努力,以期能够取得更多成果回报你们、回报社会。再次感谢我所提到的所有人员,祝你们一生幸福快乐!
摘 要
孪生支持向量机(Twin Support Vector Machines,TWSVM)是在近似支持向量机(Proximal Support Vector Machines, PSVM)和基于广义特征值近似支持向量机(Proximal SVM based on Generalized Eigenvalues,GEPSVM)的基础上提出的机器学习算法。与 PSVM、GEPSVM 相比,TWSVM 为每一类样本求解一个超平面,两个超平面没有平行条件的约束,将二分类问题转化为两个规模更小的二次规划问题,从而将训练时间约减到 SVM 的 1/4 ,能较好地求解异或(XOR) 问题,且分类性能优于 PSVM、GEPSVM,但和支持向量机一样,TWSVM 仍需解决模型选择问题。TWSVM 的性能取决于核函数的选择和惩罚参数及核函数本身参数的选择,如何选择核函数及相关参数即为模型选择问题。研究 TWSVM 的模型选择问题具有重要意义,所以本文从模型选择问题入手对 TWSVM 进行研究以提高其性能,本文的主要研究内容如下:
首先,本文研究使用量子粒子群算法对孪生支持向量机进行参数优化,利用量子粒子群的全局搜索能力搜索最优参数,从而避免了利用经验值指定参数的盲目性,进而提出了基于量子粒子群优化的孪生支持向量机(Twin Support Vector Machines based on Quantum Particle Swarm Optimization, QPSO-TWSVM),实验表明 QPSO-TWSVM 提高了 TWSVM 的分类准确率。
接着,本文研究使用混合核函数用于解决解决 TWSVM 的核函数选择问题, 混合核函数选取一个全局核函数和一个局部核函数构造出一个性能更优的核函数,进而提出了基于混合核函数的孪生支持向量机(Twin Support Vector Machines based on the Mixed Kernel function, MK-TWSVM)。为了进一步解决 MK-TWSVM 的参数选择问题,本文进一步研究使用蛙