项目名称: 提高支持向量机处理复杂数据效能的方法研究

项目编号: No.61273291

项目类型: 面上项目

立项/批准年度: 2013

项目学科: 自动化技术、计算机技术

项目作者: 王文剑

作者单位: 山西大学

项目金额: 79万元

中文摘要: 支持向量机(SVM)作为一种通用有效的机器学习方法,在许多领域得到成功的应用,但随着所处理问题的数据规模日趋增大、数据表示和结构的日趋复杂,SVM的学习效率和泛化能力受到极大制约,进而限制了它的进一步应用。本项目将系统研究提高SVM处理复杂数据效能的方法,主要内容包括:(1)基于半参数的SVM核函数构造方法。(2)SVM与粒度计算理论的深度融合,包括学习问题的重构和训练后超平面的几何分析与调整。(3)SVM框架下的高效降维算法,建立基于SVM的线性PCA和非线性PCA的线性规划求解机制和算法。(4)非结构化数据中语义特征函数的构造方法及结构化SVM的学习机理。(5)模型及环境参数相关的学习算法评价方法。(6)研制一个基于SVM的复杂数据处理平台。本项目研究成果将丰富和完善SVM的理论和算法研究、拓展其应用领域,对大规模复杂数据处理的研究有重要的理论意义和应用价值。

中文关键词: 支持向量机;复杂数据;效率;性能;

英文摘要: Support vector machine(SVM), as a general and effective machine learning approach, has been applied successfully in many fields. With the fleetly growing data size and more complex data expression and structure in actual application problems, the learning efficiency and generalization performance of SVM are restricted greatly, and then the application areas are also limited. In this project, the theory and approaches on improving the learning efficiency and generalization performance of SVM for complex data will be studied deeply. The main research contents include: (1) Kernel function selection approach based on semi-parameter. (2) Depth of fusion on SVM and granular computing, which includes reconstructing the optimal quadratic programming problem, analyzing the decision hyperplane in geometry after SVM training and correcting the hyperplane. (3) Effective dimension reduction approach under SVM-like frame. Linear PCA will be learned with linear programming, and the method will be extended to nonlinear/kernel PCA. Also, the algorithms for learning linear and nonlinear PCA will be provided. (4) Researches on constructing semantic feature function for non-structure data and exploring the learning mechanism of structural SVM. (5) Establishment of SVM evaluation system based on parameters of SVM model and learning

英文关键词: Support vector machine;Complex data;Efficiency;Performance;

成为VIP会员查看完整内容
2

相关内容

在机器学习中,支持向量机(SVM,也称为支持向量网络)是带有相关学习算法的监督学习模型,该算法分析用于分类和回归分析的数据。支持向量机(SVM)算法是一种流行的机器学习工具,可为分类和回归问题提供解决方案。给定一组训练示例,每个训练示例都标记为属于两个类别中的一个或另一个,则SVM训练算法会构建一个模型,该模型将新示例分配给一个类别或另一个类别,使其成为非概率二进制线性分类器(尽管方法存在诸如Platt缩放的问题,以便在概率分类设置中使用SVM)。SVM模型是将示例表示为空间中的点,并进行了映射,以使各个类别的示例被尽可能宽的明显间隙分开。然后,将新示例映射到相同的空间,并根据它们落入的间隙的侧面来预测属于一个类别。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【经典书】高效机器学习,Efficient Learning Machines,263页pdf
人工智能系统可信性度量评估研究综述
专知会员服务
88+阅读 · 2022年1月30日
专知会员服务
86+阅读 · 2021年9月4日
专知会员服务
97+阅读 · 2021年6月23日
基于机器学习的数据库技术综述
专知会员服务
53+阅读 · 2021年1月2日
专知会员服务
45+阅读 · 2020年11月13日
大规模时间序列分析框架的研究与实现,计算机学报
专知会员服务
58+阅读 · 2020年7月13日
最新《智能交通系统的深度强化学习》综述论文,22页pdf
基于机器学习的自动化网络流量分析
CCF计算机安全专委会
4+阅读 · 2022年4月8日
基于规则的建模方法的可解释性及其发展
专知
4+阅读 · 2021年6月23日
【Flink】基于 Flink 的流式数据实时去重
AINLP
14+阅读 · 2020年9月29日
【PHM算法】PHM算法 | 故障诊断建模方法
产业智能官
66+阅读 · 2020年3月16日
贝叶斯机器学习前沿进展
机器学习研究会
21+阅读 · 2018年1月21日
【大数据】数据挖掘与数据分析知识流程梳理
产业智能官
12+阅读 · 2017年9月22日
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
0+阅读 · 2022年4月19日
Arxiv
21+阅读 · 2020年10月11日
Learning Embedding Adaptation for Few-Shot Learning
Arxiv
16+阅读 · 2018年12月10日
Arxiv
23+阅读 · 2018年8月3日
小贴士
相关VIP内容
【经典书】高效机器学习,Efficient Learning Machines,263页pdf
人工智能系统可信性度量评估研究综述
专知会员服务
88+阅读 · 2022年1月30日
专知会员服务
86+阅读 · 2021年9月4日
专知会员服务
97+阅读 · 2021年6月23日
基于机器学习的数据库技术综述
专知会员服务
53+阅读 · 2021年1月2日
专知会员服务
45+阅读 · 2020年11月13日
大规模时间序列分析框架的研究与实现,计算机学报
专知会员服务
58+阅读 · 2020年7月13日
最新《智能交通系统的深度强化学习》综述论文,22页pdf
相关资讯
基于机器学习的自动化网络流量分析
CCF计算机安全专委会
4+阅读 · 2022年4月8日
基于规则的建模方法的可解释性及其发展
专知
4+阅读 · 2021年6月23日
【Flink】基于 Flink 的流式数据实时去重
AINLP
14+阅读 · 2020年9月29日
【PHM算法】PHM算法 | 故障诊断建模方法
产业智能官
66+阅读 · 2020年3月16日
贝叶斯机器学习前沿进展
机器学习研究会
21+阅读 · 2018年1月21日
【大数据】数据挖掘与数据分析知识流程梳理
产业智能官
12+阅读 · 2017年9月22日
相关基金
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员