导读:本文包含了分类超平面论文开题报告文献综述、选题提纲参考文献及外文文献翻译,主要关键词:向量,平面,正则,算法,拉普拉斯,参数,数据。
分类超平面论文文献综述
严晓明[1](2018)在《不平衡数据集中分类超平面参数优化方法》一文中研究指出对不平衡数据集SVM分类存在着分类结果偏向多数类的情况,使得分类结果中少数类的F1-Measure值偏低.本文提出一种不改变样本集合的样本数,并结合样本点总数,分类过程中的支持向量个数,少数类和多数类的准确率,生成权重值对分类超平面参数b进行优化,以此提高少数类样本点分类准确率的方法,并通过实验证明该方法的有效性.(本文来源于《计算机系统应用》期刊2018年07期)
徐艳艳,黄炜,曾永年[2](2017)在《基于自适应遗传算法的超平面分类及遥感应用》一文中研究指出智能分类算法是遥感影像分类研究的热点,遗传算法作为一种智能全局优化技术在遥感影像分类中具有良好应用前景.针对现有多光谱遥感影像分类方法的不足,提出了基于自适应遗传算法的超平面分类方法(hyper plane-adaptive genetic algorithm,HP-AGA)并应用于遥感影像分类,该方法利用神经网络中的神经元激活函数Sigmoid函数,对遗传算法中交叉率、变异率进行非线性自适应性调整,不再需要反复训练遗传参数,同时利用快速全局寻优特点,确定分类超平面的各个位置参数,从而获取最佳分类超平面集进行分类.多光谱遥感影像分类方法的应用实验表明,基于自适应遗传算法的超平面遥感分类方法能更快、更稳定地收敛到全局最优解,具有更好的效率及鲁棒性,并能取得优于简单遗传超平面分类算法及传统分类方法的分类精度.(本文来源于《系统工程理论与实践》期刊2017年03期)
闫金花,杨志霞[3](2016)在《Laplacian正则项半监督不平行超平面分类机》一文中研究指出本文通过引入拉普拉斯(Laplacian)正则项,针对半监督分类问题我们建立了基于拉普拉斯正则项的半监督不平行超平面分类机。和经典的双支持向量机相比,该算法不仅继承了不平行超平面决策的优点,并且将其推广到了半监督分类问题中。最后在人工数据上进行数值实验,与拉普拉斯双支持向量机和拉普拉斯支持向量机做比较,数值结果表明我们提出算法的可行性和有效性,特别是对于交叉型数据集,基于拉普拉斯正则项的半监督不平行超平面分类机具有明显较高的分类精确度。(本文来源于《数字技术与应用》期刊2016年06期)
闫金花[4](2015)在《半监督非平行超平面分类机》一文中研究指出机器学习在人工智能和模式识别的研究中具有十分重要的地位。支持向量机是Vapnik等在统计学习理论基础上发展起来的针对小样本的机器学习方法。其具有较好的学习能力并且可以对高维的数据进行操作,从而得到了各行各业的研究和应用。传统的有监督的分类方法,虽然能够有效地解决各种实际问题,但是需要事先对大量样本进行标记以获取足够的训练样本,代价高,效率低。因此,根据实际需要提出了一些半监督支持向量机分类方法。传统的半监督问题的分类方法,能够有效地解决各种实际问题,但由于其分类超平面的边界超平面是平行的,使其推广性受到限制,因此,本文从不平行超平面的思想出发,提出了Laplacian正则项半监督不平行超平面分类机,主要是通过图的Laplacian矩阵来探索数据的流形结构。它将已标记的和未标记的数据编码在一张连接图中,图中的每一个节点代表一个数据点,若两个数据点之间有很大的相似性,就用一条边将它们对应的节点连接起来。然后为无标记的数据找到合适的类别,可使它们与已有标记的数据和潜在的图结构的不一致性最小化,从而提高了模型的预测精确度。同时,在数值试验中,从预测精确度和速度上,和经典的Laplacian正则项支持向量机和Laplacian正则项双支持向量机做了对比,表明了我们提出的算法的优良性。进一步,对我们提出的模型,加入特征选择技术,可以提高模型的预测精度。(本文来源于《新疆大学》期刊2015-05-27)
花小朋[5](2015)在《非平行超平面分类器算法研究》一文中研究指出非平行超平面分类器(nonparallel hyperplane classifier,NHC)分类方法是在传统支持向量机(support vector machine,SVM)基础上发展起来的一类新的机器学习方法。对于二分类问题,传统SVM依据大间隔准则寻找单一的分类超平面,而NHC分类方法通常要为每类样本寻找一个最佳决策超平面,即一对非平行的分类超平面。在线性模式下,NHC分类方法对异或(XOR)问题有着显着的分类能力。鉴于NHC分类方法的优势,目前已经成为机器学习领域的研究热点。然而,NHC分类方法是一类比较新的机器学习方法,在诸多方面尚不成熟、不完善,需要进一步的研究和改进。本文主要从提升分类性能、提高学习速度等方面对现有的NHC分类方法进行了深入系统地研究。具体研究内容如下:1.对局部保持孪生支持向量机进行研究。针对现有NHC分类方法中没有充分考虑训练样本集内在局部几何结构及其潜藏的分类信息,从而可能导致算法分类性能不佳的问题,将局部保持投影(locality preserving projections,LPP)的思想直接引入到NHC分类方法中,提出一种基于局部信息保持的孪生支持向量机(locality preserving twin SVM,LPTSVM)。为了能够有效降低算法二次规划求解的时间复杂度,LPTSVM通过类间近邻图选取少量的边界样本来构造优化问题的约束条件。对于LPTSVM算法中可能出现的奇异性问题,从理论上给出了一种基于主成分分析(principal component analysis,PCA)的降维方法。2.对非线性最小二乘投影孪生支持向量机及相应的递归学习算法进行研究。针对线性最小二乘投影孪生支持向量机(least squares projection twin SVM,LSPTSVM)不能有效处理非线性分类情况的问题,采用核映射技术将原空间中的训练样本映射到高维特征空间,在此基础上提出一种非线性最小二乘投影孪生支持向量机(kernel based LSPTSVM,KLSPTSVM)。为进一步提高KLSPTSVM算法的非线性分类性能,同样采用核映射技术将线性模式下的递归学习算法也推广到非线性模式并与KLSPTSVM分类算法相结合,提出非线性模式下的递归KLSPTSVM分类方法。3.对鲁棒的局部加权孪生支持向量机进行研究。针对局部加权孪生支持向量机(weighted twin SVM with local information,WLTSVM)算法不能充分刻画类内样本之间相似性,训练效率偏低和对噪声敏感的问题,提出一种鲁棒的局部加权孪生支持向量机(robust WLTSVM,RWLTSVM)。RWLTSVM选用高斯核函数定义类内近邻图的权值矩阵并在此基础上生成样本权重,能够更好的刻画类内样本对决策超平面的贡献程度。为了降低优化问题求解时间复杂度,RWLTSVM将WLTSVM算法中不等式约束改成等式约束并通过求解方程组方法获得问题解析解。另外,RWLTSVM还在等式约束条件中考虑了相反类样本的类内权重,从而能够更好的免疫于噪声问题。4.对加权投影孪生支持向量机及其相应的最小二乘版算法进行研究。针对投影孪生支持向量机(projection twin SVM,PTSVM)在优化问题中没有考虑类内训练样本之间相关性的问题,提出一种加权投影孪生支持向量机(weighted PTSVM,WPTSVM)。WPTSVM通过在类内构造近邻图并在此基础上赋予样本特定的权重,以此来突出样本对决策面的贡献程度,进而改善算法的分类性能。此外,WPTSVM在优化问题的不等式约束中同样考虑了样本权重,使得算法能够很好的免疫于噪声问题。为了进一步降低WPTSVM算法的训练时间复杂度,使其能够胜任大规模数据处理,提出最小二乘版加权投影孪生支持向量机(least squares WPTSVM,LSWPTSVM)。LSWPTSVM通过解方程组获得问题的解析解而不是WPTSVM中的二次规划求解。(本文来源于《中国矿业大学》期刊2015-04-01)
凌萍,荣祥胜,高大金[6](2014)在《一种基于收缩超平面的支持向量分类算法》一文中研究指出支持向量机(Support Vector Machine,SVM)的在二分问题上表现优异,而在多分问题上易受到基本分类器性能不稳定、集成方式依赖于具体问题等多种因素的影响,因此表现一般.鉴于此,提出一种基于收缩超平面的支持向量分类算法(A Novel Support Vector classification Algorithm based on Shrunk Hyperplane,SVASH).SVASH摈弃了二分思想,通过为各类分别构造穿过其密集分布区的超平面(命名为收缩的超平面),获知各类的鉴别性信息,并根据数据与收缩超平面的投影距离确定其类别.文中提出并证明了收缩超平面的几何性质,以此说明算法的有效性.文中设计了快速训练算法,以提高算法效率.实验表明,SVASH在多分问题上显示出优于同类算法的性能;在二分问题上也有接近最优性能的表现.(本文来源于《小型微型计算机系统》期刊2014年12期)
王震[7](2014)在《基于非平行超平面支持向量机的分类问题研究》一文中研究指出分类问题是人工智能,模式识别和机器学习领域研究的重要基本问题之一,1995年提出的支持向量机及其改进模型由于极小化结构风险,避免维数灾难,和核方法巧妙结合等特点成为目前国际上解决小样本分类问题最有效的算法之一.本文简要回顾和总结了现有各种支持向量机类型的算法和模型,从构造支持向量机分类器所需的一对辅助超平面出发,按照这对超平面是否平行和是否拟合样本的特点,将这些支持向量机类型的分类算法和模型归纳成四种类型,分别是:·平行分隔超平面支持向量机,如C型支持向量机和v型支持向量机;·平行拟合超平面支持向量机,如最小二乘支持向量机和中心支持向量机;·非平行分隔超平面支持向量机(简称NSSVM),如参数化间隔支持向量机和参数化间隔双子支持向量机;·非平行拟合超平面支持向量机(简称NFSVM),如广义特征值支持向量机和双子支持向量机.平行拟合和分隔超平面支持向量机的理论和算法研究已日趋成熟,但是这类算法和模型构造的分类超平面是通过寻找一对平行超平面分隔或拟合训练样本来实现的,在实际应用中由于采样和数据规模等原因导致并不是所有数据都能够很好的适应辅助超平面平行的要求,如交叉数据,异方差噪声数据,大规模数据等.数据作为一种已知输入,一般无法对数据的采样或质量上作过多要求,由于非平行超平面支持向量机(NSSVM和NFSVM)能够处理一些平行超平面支持向量机难以处理的数据类型,当前国际上研究的热点集中于NSSVM和NFSVM.本文在总结现有各种支持向量机类型算法和模型的基础上,重点研究了现有各种NSSVM和NF-SVM模型的分类方式和算法特点,并在此基础上提出一种NSSVM模型和叁种NFSVM模型共四种新的分类算法,分别是:(1)基于光滑技术的参数化间隔双子支持向量机,这种算法改进了参数化间隔双子支持向量机的求解方式,将原始问题中的多个不等式约束条件统一改写成一个分段连续函数,并基于这种改写对目标函数作变量替换,使得原始算法从求解两个具不等式约束的凸二次优化问题转化成求解两个无约束凸二次优化问题,这样就可以使用光滑函数对目标函数的不可微点进行逼近,从而极大地加快模型的训练速度.模型的构造通过求解的如下优化问题:具体符号含义见符号表,下同.实验验证我们这种改进较普通的参数化间隔双子支持向量机训练速度加快了至少10倍,而且还能快速处理1M以上的数据.(2)基于中心化的参数化间隔支持向量机,这种算法改进了非平行超平面之间参数化间隔的定义,从原来参数化间隔支持向量机寻找的一对分隔超平面转化成一对拟合超平面,极大化重新定义的中心参数化间隔可以使原始算法从求解一个具有不等式约束的二次优化问题转化成求解一个只具等式约束的二次优化问题,从而可以通过求解一个线性方程组来构造模型,在保持模型适应异方差噪声特点的基础上极大地加快模型的训练速度.模型的构造通过求解的如下优化问题:人工数据和标准数据验证了我们这种算法较参数化间隔支持向量机不仅训练速度更快,而且分类能力更强.(3)基于最小二乘格式的参数化间隔双子支持向量,这种算法将最小二乘的思想引入到参数化间隔双子支持向量机中,寻找一对非平行拟合超平面拟合样本,并使得不同类的样本分别从两超平面的一侧远离,这种改进使得构造的模型能够更好的挖掘样本分布,对样本分布不同的各类别样本具有更强的适应性.模型的构造通过求解的如下优化问题:我们在人工数据和标准数据上进行了大量的实验,实验结果显示我们的算法较未改进前的参数化间隔双子支持向量训练速度有较大提高.(4)基于投影的正则化双子支持向量机,这种算法从降维的角度将正则项引入到投影双子支持向量机中,并给出了正则项在这种分类思想下对应的几何含义,从理论上得出这种算法也可以实现极小化结构风险.同时,正则项的引入还保证了原始优化问题解的唯一性,使得新得到的模型具有更强的稳定性和更高的泛化能力.模型的构造通过求解的如下优化问题:另外,本文还首次提出了非平行超平面支持向量机的模型设计框架,分别以双子支持向量机和参数化间隔双子支持向量机为例在模型概率输出方式,参数选择和特征选择方面提出了新的设计框架.(i)在模型的概率输出方面,本文前面介绍和提出的分类算法都是简单的二值硬分类算法,不存在相应的概率输出模型,而本文则为NFSVM设计了新的概率输出模型,通过引入了交叉分隔超平面的概念,帮助我们定义了样本类别的隶属度,从而可以利用似然函数给出样本输出类别的概率;(ii)在模型选择方面,我们将启发式算法引入到模型的参数选择和特征选择中,结合算法特点提出了一种同时进行参数选择和特征选择的启发式搜索框架,这种框架比传统的网格式搜索框架不仅搜索空间更大,而且搜索效率更高,还具有高度并行的特点,从而极大地提高了NSSVM模型选择的效率.值得一提的是,这两种模型设计框架都可以几乎没有任何困难的平移到其它NFSVM和NSSVM模型中.(本文来源于《吉林大学》期刊2014-05-01)
张银川,韩立新,曾晓勤[8](2014)在《基于伪分类超平面的线性可分几何判定方法及应用》一文中研究指出针对模式分类中线性可分的问题,文中将模式看作是欧氏空间中的点,研究欧氏空间中点与面的关系等解析几何性质,在一般的分类超平面概念上定义伪分类超平面.根据线性可分等价性,在需降维时进行空间映射.研究根据数据寻找伪分类超平面,给出几何意义明显的线性可分判断方法,在该方法的基础上给出一种分类复杂度的度量方法.实验结果表明,该方法较好地体现数据的分类复杂度.(本文来源于《模式识别与人工智能》期刊2014年01期)
卢振兴[9](2013)在《非平行超平面分类和回归机研究》一文中研究指出支持向量机以统计学理论和结构风险最小化原则为基础,是解决机器学习问题的一个有力的工具.但传统的支持向量机的两个边界超平面是平行的,这就使得其推广性受到很大地限制.最近提出的双支持向量机就打破了这一限制,只需找到两个不平行的超平面.研究者们大都以非平行超平面思想为基础来寻求精度更高,计算时间更短的扩展算法,本文也有着同样的目的,分别提出了以下的分类与回归算法.1.正则化v-双支持向量分类机.有研究成果表明,间隔可以控制分类错误率,间隔越大,分类错误率越小.对于v-双支持向量分类机,间隔为p/wTw,这里只通过p的大小来控制间隔,本文中将v-双支持向量分类机的目标函数中加入了正则项||w||2+b2,体现了结构风险最小化原则.在数值实验中就可以看出本算法的优越性.2.最小二乘双支持向量回归机.本文提出了一个最小二乘双支持向量回归机,它是在双支持向量回归机基础之上建立的,打破了标准支持向量回归机利用两条平行超平面构造ε带的思想.事实上,它是利用两条不一定平行的超平面构造ε带,从而得到最终的回归函数,这使我们的回归算法有更好的推广能力.另外,最小乘双支持向量回归机只需求解两个较小规模的线性方程组就能得到最后的回归函数,其计算复杂度相对较低.数值实验也表明我们的回归算法在推广能力和计算效率上有一定的优势.(本文来源于《新疆大学》期刊2013-05-24)
刘忠宝,赵文娟,师智斌[10](2013)在《基于分类超平面的非线性集成学习机》一文中研究指出针对支持向量机面临的大规模数据分类问题,提出基于分类超平面的非线性集成学习机NALM。该方法借鉴管理学中协同管理的思想,将大规模数据分成规模较小的子集,然后分别在子集上运行分类超平面算法,最后将各子集上的分类结果进行非线性集成得到最终的分类结果。该方法不仅继承了分类超平面的优点,而且还将分类超平面的适用范围从小规模数据扩展到中大规模数据,从线性空间推广到Hilbert核空间。若干数据集上的实验表明:NALM能以较少的支持向量来解决大规模样本分类问题。(本文来源于《计算机应用研究》期刊2013年05期)
分类超平面论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
智能分类算法是遥感影像分类研究的热点,遗传算法作为一种智能全局优化技术在遥感影像分类中具有良好应用前景.针对现有多光谱遥感影像分类方法的不足,提出了基于自适应遗传算法的超平面分类方法(hyper plane-adaptive genetic algorithm,HP-AGA)并应用于遥感影像分类,该方法利用神经网络中的神经元激活函数Sigmoid函数,对遗传算法中交叉率、变异率进行非线性自适应性调整,不再需要反复训练遗传参数,同时利用快速全局寻优特点,确定分类超平面的各个位置参数,从而获取最佳分类超平面集进行分类.多光谱遥感影像分类方法的应用实验表明,基于自适应遗传算法的超平面遥感分类方法能更快、更稳定地收敛到全局最优解,具有更好的效率及鲁棒性,并能取得优于简单遗传超平面分类算法及传统分类方法的分类精度.
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
分类超平面论文参考文献
[1].严晓明.不平衡数据集中分类超平面参数优化方法[J].计算机系统应用.2018
[2].徐艳艳,黄炜,曾永年.基于自适应遗传算法的超平面分类及遥感应用[J].系统工程理论与实践.2017
[3].闫金花,杨志霞.Laplacian正则项半监督不平行超平面分类机[J].数字技术与应用.2016
[4].闫金花.半监督非平行超平面分类机[D].新疆大学.2015
[5].花小朋.非平行超平面分类器算法研究[D].中国矿业大学.2015
[6].凌萍,荣祥胜,高大金.一种基于收缩超平面的支持向量分类算法[J].小型微型计算机系统.2014
[7].王震.基于非平行超平面支持向量机的分类问题研究[D].吉林大学.2014
[8].张银川,韩立新,曾晓勤.基于伪分类超平面的线性可分几何判定方法及应用[J].模式识别与人工智能.2014
[9].卢振兴.非平行超平面分类和回归机研究[D].新疆大学.2013
[10].刘忠宝,赵文娟,师智斌.基于分类超平面的非线性集成学习机[J].计算机应用研究.2013