發(fā)布時間：2023-10-12 04:03

　　支持向量機(Support vector maehine,SVM)作為一種新興的統(tǒng)計學習算法,以其優(yōu)秀的理論基礎(結構最小化理論、核空間理論)脫穎而出。它是在統(tǒng)計學習理論基礎上發(fā)展起來的一種通用學習機器,其關鍵的思想是利用核函數(shù)把一個復雜的分類任務通過核函數(shù)映射使之轉化成一個在高維特征空間中構造線性分類超平面的問題。支持向量機由于其優(yōu)秀的學習性能,在分類問題中得到了廣泛的應用。增量學習技術是一種得到廣泛應用的智能化數(shù)據(jù)挖掘與知識發(fā)現(xiàn)技術,它基于歷史的學習結果對新增加的數(shù)據(jù)進行再學習,使得學習具有一定的連續(xù)性。本文的主要工作為:首先,分析了支持向量機的理論基礎、基本概念、要解決的關鍵技術問題以及增量學習的基本概念。隨后,分析了幾種現(xiàn)有的支持向量機增量學習算法,通過分析可知:大部分都沒有充分考慮到新增樣本對初始樣本集中位于支持向量附近的非支持向量的影響,致使一些有用的歷史數(shù)據(jù)過早的被淘汰,從而嚴重影響分類的精度,通過引入邊界支持向量概念,提出了一種基于邊界支持向量的增量學習算法,實驗結果表明,基于邊界支持向量的增量學習SVM算法在訓練速度上及訓練精度上有一定的提高。另外,針對支持向量機的多...

【文章頁數(shù)】：57 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外的研究現(xiàn)狀
    1.3 本文的研究內(nèi)容及章節(jié)安排
        1.3.1 本文研究內(nèi)容
        1.3.2 本文章節(jié)安排
2 支持向量機理論
    2.1 支持向量機的基本理論
        2.1.1 經(jīng)驗風險最小化
        2.1.2 VC維及推廣性界理論
        2.1.3 結構風險最小化
    2.2 支持向量機原理
        2.2.1 最優(yōu)分類面
        2.2.2 廣義最優(yōu)分類面
        2.2.3 線性支持向量機
        2.2.4 非線性支持向量機
    2.3 支持向量機模型的建立
        2.3.1 訓練集的選擇
        2.3.2 訓練特征的選擇
        2.3.3 核函數(shù)的選擇
        2.3.4 模型參數(shù)的選擇
    2.4 增量學習SVM算法
        2.4.1 增量學習基本思想
        2.4.2 KKT條件和支持向量
        2.4.3 增量學習中向量集的變化
    2.5 本章小結
3 邊界支持向量增量學習SVM算法的研究
    3.1 增量學習SVM算法分析
        3.1.1 經(jīng)典增量學習SVM算法—Batch SVM
        3.1.2 幾種改進型的增量學習SVM算法
    3.2 邊界支持向量的分析
        3.2.1 邊界支持向量基本概念
        3.2.2 線性可分邊界支持向量的提取
        3.2.3 線性不可分邊界支持向量的提取
    3.3 邊界支持向量增量學習SVM算法
    3.4 實驗結果及分析
    3.5 本章小結
4 SVM多分類增量算法的研究
    4.1 多分類SVM及特點分析
    4.2 SVM多分類增量算法分析
        4.2.1 超球間重疊分析
        4.2.2 增量算法分析
    4.3 新的超球結構增量學習算法
    4.4 實驗結果
    4.5 本章小結
5 基于增量學習SVM文本分類系統(tǒng)的設計與實現(xiàn)
    5.1 基于SVM的文本分類算法分析
        5.1.1 文本分類介紹
        5.1.2 基于SVM的文本分類算法
    5.2 總體設計
    5.3 系統(tǒng)的設計與實現(xiàn)
        5.3.1 網(wǎng)頁爬取設計
        5.3.2 文本預處理
        5.3.3 建立文檔表示模型
        5.3.4 文本分類
        5.3.5 數(shù)據(jù)挖掘結果
    5.4 本章小結
6 總結與展望
    6.1 論文總結
    6.2 研究展望
參考文獻
致謝
攻讀碩士學位期間發(fā)表的論文及所取得的研究成果



本文編號：3853415