基于支持向量機(jī)的預(yù)測方法模型文獻(xiàn)綜述_第1頁
基于支持向量機(jī)的預(yù)測方法模型文獻(xiàn)綜述_第2頁
基于支持向量機(jī)的預(yù)測方法模型文獻(xiàn)綜述_第3頁
基于支持向量機(jī)的預(yù)測方法模型文獻(xiàn)綜述_第4頁
基于支持向量機(jī)的預(yù)測方法模型文獻(xiàn)綜述_第5頁
已閱讀5頁，還剩7頁未讀， 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

基于支持向量機(jī)

的預(yù)測方法模型文獻(xiàn)綜述支持向量機(jī)的提出

支持向量機(jī)(supportvectormachine,svm)是Vapnik等人于1995年在完整的統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上提出的一種新的機(jī)器學(xué)習(xí)方法。思想新SVM是一種新興的機(jī)器學(xué)習(xí)方法，在許多領(lǐng)域具有廣闊的應(yīng)用潛力，目前仍處于發(fā)展階段。方法優(yōu)SVM采用結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則，具有很好的學(xué)習(xí)能力，尤其是泛化能力，克服了“維數(shù)災(zāi)難”和“過學(xué)習(xí)”，而且效率高，結(jié)構(gòu)簡單。應(yīng)用廣SVM已廣泛應(yīng)用于時間序列分析、回歸分析、聚類分析、動態(tài)圖像的人臉跟蹤、信號處理、語音識別、圖像分析和控制系統(tǒng)等諸多領(lǐng)域。支持向量機(jī)的原理假設(shè)樣本集為(x1，y1)，(x2，y2)，…，(xn，yn)xi∈Rn,yi∈{-1,1}，xi表示輸入向量，yi表示輸出向量最優(yōu)超平面假設(shè)該樣本集可被一個超平面線性劃分，定義該超平面為ωx+b=0SVM就是要尋找一個滿足分類要求的分割超平面，使樣本集中距超平面最近的兩類樣本之間的距離最大，則該平面就是最優(yōu)超平面。YourTextHereYourTextHereYourTextHereSVM的主要思想是通過某種事先選擇的非線性映射將輸入向量x映射到一個高維特征空間Z，并在這個空間中構(gòu)造最優(yōu)超平面。如何求解得到這個最優(yōu)超平面？由于支持向量之間的距離為，構(gòu)造最優(yōu)超平面的問題就轉(zhuǎn)化為求的最小值引入拉格朗日函數(shù)：對偶形式符號函數(shù)核函數(shù)應(yīng)用最多的核函數(shù)主要有三種：1)多項式核函數(shù)

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論