1、建立在統(tǒng)計學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險最小原則上的支持向量機在理論上保證了模型的最大泛化能力,因此與建立在經(jīng)驗風(fēng)險最小原則上的神經(jīng)網(wǎng)絡(luò)模型相比,理論上更為完善。 支持向量機是一個具有多類分類能力的非線性分類器。在實際應(yīng)用中,有可能出現(xiàn)不同類別樣本數(shù)目相差很大的情況,比如在解決故障檢測等分類問題時,C-SVM訓(xùn)練的分類錯誤總偏向于樣本數(shù)較少的類別,因而影響了分類的精確性。為提高精確性,提出了一種優(yōu)化算法,在訓(xùn)練過程中針對不同類樣本,采用不同
2、的權(quán)值來優(yōu)化訓(xùn)練過程,按正負(fù)類樣本在總樣本中所占的比例,加大樣本數(shù)較少的類別權(quán)值,降低樣本數(shù)較大的類別權(quán)值來實現(xiàn)兩類樣本間的均衡。實驗結(jié)果表明該方法對兩類樣本數(shù)目相差很大的問題是有效的。 支持向量機的參數(shù)對于分類精確性影響很大,到目前為止,還沒有明確的選擇參數(shù)的算法。本論文運用支持向量機建立模式識別分類器模型,研究影響模型分類能力的相關(guān)參數(shù),在分析參數(shù)對分類器識別精度的影響基礎(chǔ)上,提出了用遺傳算法建立支持向量機分類器模型的參數(shù)自