文档介绍:岢隽艘恢中碌闹С窒蛄炕�焖偎惴ㄒ换�诳窍蛄康腟�快速分摘要在近几年无论在理论上还是在应用上得到了广泛的研究,并取得了重要成果,但��诳窍蛄縎�快速分类算法的基础上,提出了基于壳向量的支持向本数据集合进行增量学习的传统算法相比,分类精度也得到了提高。仿真表明了基于统计学习理论的支持向量机方法由于具有全局最优和良好的泛化能力,支持向量机方法仍存在不少缺点,如对于大规模数据,其学��速度较慢等。本文详细研究了支持向量机方法,并提出了基于壳向量的快速学习算法,主要研究工作包括:类算法,该算法充分利用训练样本集的几何结构信息,首先从中寻求最有可能成为支持向量的“壳向量”,组成新的训练样本集,之后再进一步进行��盗罚�从中寻取支持向量,令算法速度有了很大的提高。仿真结果表明,该方法与标准支持向量机方法相比,提高了学习速度,同时分类精度保持不变。量机增量学习算法。在增量学习的过程中,利用训练样本集中的几何信息,在样本中首先选取壳向量,它是支持向量集的一个规模较小的扩展集,将其作为新的训练样本集,再进行支持向量训练,很大程度上降低了求取支持向量过程中的二次优化运算时间,使增量学习的训练速度大为提高。与单纯使用支持向量代表样算法的有效性。��谄�蹬普兆址�侗鹆煊蛑薪�辛擞τ醚芯俊�关键词:模式识别,支持向量机,分类,增量学习,壳向量
瑃����������塑垩查堂堡圭堂垡堕兰����������瑂���������������,�������������琣���������裻������鄑�����,���������甋������������琧��������������,�������ⅱ鬷������甋���������甀���瑃���.����:��������瓸����猻������.����.������.���瑆������,��
第一章绪论��统计学习理论与支持向量机��.�攀�长期以来,构造可以从经验中学习的机器在哲学界和科技界都是研究目标之术实现。目前并没有针对此问题的数学模型。例如,即使给定大量的样例,也不当前,机器学习研究与应用中最常用的关键技术有【¨】:集成学习��出发寻找规律,利用这些规律对未来数据或无法观测的数据进行预测。迄今为止,一。从技术角度来讲,机器学习从电子计算机的发明中获得了强大的原动力。机器具有可观的学习能力,这~点已经得到了证实,然而这种学习能力的界定还远不够清晰。开发可靠学习系统的重要性�贰!刻逑衷谟行矶嗍导嗜挝癫荒苡么�车谋喑碳�知道怎样用计算机程序来识别手写字符。因此很自然地会产生疑问:能否训练计算机从样例中学习来识别字符“��毕竟这也是人类学习阅读的手段,可以把通过这种途径求解问题的方法称为机器学习,机器学习的目标就是研究如何从各类数据中自动地获取知识。同样的方法可适用于在��蛄兄醒罢一�颍���电子邮件,在机器视觉中检测或识别目标等等很多方面。其中每个问题的解决都将为人类的生活带来革命性的变化,而每一个问题中机器学习都是其解决方案的关键所在。����,����人惴�、贝叶斯网络、决策树、统计学习理论与支持向量机、隐马尔可夫模型、神经网络、��诜椒ā⑿蛄蟹治觥⒕劾唷⒓�裳�啊⒋植诩�理论、回归模型等。本文主要就人工智能领域机器学习理论中的支持向量机�������,��方法及其应用进行讨论与研究。基于数据的机器学习是现代智能技术中的重要方面,研究从观测数据���关于机器学习还没有一种被共同接受的理论框架,关于其实现方法大致可以分为三种:���涞�参数�臣乒兰品椒�统计学是现有机器学习方法���J绞侗稹⑸窬��绲�共同的重要理论浙江大学硕士学位论文���
重要指标,在此概念基础上发展出了一系列关于统计学习一致性��輘���、���篴��等的重要结论。训练样本用来估计参数的值。但是这种方法具有很大的局限性:首先,它需要已如人工神经网络�簈�。这种方法利用已知样本建立非线性模型,克服了基础之一。传统统计学研究的是样本数目趋于无穷大时的渐近理论,现有学习方法也多是基于此假设,并在某些领域取得了一定的进展,提出了一些新的概念和学习方法。参数方法正是基于传统统计学的,在这种方法中,参数的相关形式是已知的,知样本分布形式,这需要花费很大代价,还有,传统统计学研究的是样本数目趋于无穷大时的渐近理论,现有学习方法也多是基于此假设。但在实际问题中,样本数往往是有限的,因此,一些理论上很优秀的学习方法在实际中的表现却可能不尽人意�薄����榉窍咝苑椒�传统参数估计方法的困难。但是,这种方法缺乏一种统一的数学理论。也正是因为缺少理论基础,所以这种方法经验性成分特别大,这使得研究者们难以对各种神经计算模型的性能及其适用范围进行理论分析,同时神经网络在设计过程中也存在一些很难解决的具体问题:如隐层节点数的确定,学习算法