《基于尺度化凸壳的最大间隔学习算法研究》

点击下载 ⇩

以支持向量机为代表的最大间隔机器学习方法,因具有简洁的数学形式、直观的数学解释和良好的推广(泛化)能力,在模式分类、数据挖掘等领域受到越来越多的关注,并被广泛地应用于人脸识别、文本分类、军事目标检测、数字识别、信息安全、医疗辅助诊断、图像分类、语音识别、网络诊断和工业过程故障诊断等诸多实际问题中。该项目主要是围绕最大间隔学习进行的,研究了基于尺度化凸壳(以下简称SCH)的最大间隔分类方法,推广该方法,使之适于求解代价敏感和类不平衡问题;应用该方法求解图像分类和光谱分析问题,取得了好的效果。具体研究内容:在前期成果的基础上,深入研究了基于SCH的最大间隔学习算法,对比SCH方法和其他类似方法(主要是经典的SVM)异同点,并设计了新的基于SCH的最大间隔方法,分析了SCH和SVM的分类性能; 在快速算法研究方面,结合SCH的性质,提出了求解SCH最大间隔学习的快速算法;通过建立SCH和已有方法之间的关系,把现有的快速算法或优化算法借鉴到了SCH分类方法的求解上来,特别地,结合最新提出的智能优化算法(如布谷鸟搜索等)对算法中的参数进行优化,以期取得好的分类性能;研究了类不平衡和代价敏感问题,结合SCH的性质,通过设计高性能的尺度因子,展开了求解类不平衡和代价敏感问题的研究,从而把这些问题统一到SCH这个框架中;研究了把SCH方法应用到图像分类和光谱分类的具体实现方法,图像分类中存在着类不平衡和代价敏感问题,因此结合SCH的性质,实现求解图像分类和光谱分类问题。

  1. 下载详细PDF版/Doc版

提示:为方便大家复制编辑,博主已将PDF文件制作为Word/Doc格式文件。