基于混合核函數的SVM及其應用研究.pdf

1、支持向量機(SVM)是由Vapnik提出的基于統(tǒng)計學習理論的一種分類方法，使低維特征空間經過一種非線性轉換得到一個高維特征空間，最優(yōu)分類超平面即可在轉變到這個新的空間中求解，由此將不可分問題轉化為可分問題。在解決類似小樣本、高維數、非線性等眾多實際問題中SVM表現了很強的優(yōu)勢，這種方法在機器學習中占有著非常重要的地位。
　　核函數作為支持向量機的核心，支持向量機的性能表現受到不同的核函數的直接影響，提高核函數性能成為研究支持向量機

2、工作中的核心問題之一。
　　本文首先介紹了支持向量機理論和核函數理論，通過對SVM及核函數性質的研究并在不同數據集上測試四種常用核函數（線性核函數、高斯核函數、多項式核函數、sigmoid核函數）的性能，選擇較優(yōu)的兩種或多種核函數進行組合構造新的混合核函數，然后利用遺傳算法這種人工智能學習算法對混合核函數中核權重系數及核參數進行自動化優(yōu)化，同時測試混合核函數SVM在不同數據集上的性能，并與單核測試數據結果進行分析比較，得出結論，驗