导读:本文包含了支持子集论文开题报告文献综述及选题提纲参考文献，主要关键词:特征选择,支持向量机,特征子集区分度
支持子集论文文献综述
程凤伟,任晶晶[1]（2018）在《特征子集区分度与支持向量机的特征选择算法分析》一文中研究指出论文结合特征之间的相关性和类间区分能力进行分析,制定特征子集分度衡量标准,对子集类间辨别能力大小进行区分。(本文来源于《信息系统工程》期刊2018年11期）
王进宁[2]（2016）在《准线性的支持向量机训练子集划分的分析与研究》一文中研究指出本文提出了一种基于PCA的聚类合并预处理改进算法,适用于准线性支持向量机。准线性支持向量机是一种具有准线性核函数的支持向量机,通过恰当合成复合的准线性核函数,可以防止在支持向量机训练过程中过学习的问题。基于PCA的聚类合并预处理改进算法包含如下叁个部分:1.用于准确捕捉分布信息的边界监测用于分类的数据集具有高纬度和大规模的特征,寻找分类的分类边界,只需要位于正负标签分界线周围的数据。本文针对传统算法忽略分类边界分布特性的缺陷,提出了一种可以准确捕捉分类边界附近数据的算法,该方法通过寻找分类边缘附近的数据子集,减少训练数据集的计算量,提高训练速度。仿真实验证明,该方法一定程度地提高了分类的准确率。2.具有稳定架构的聚类为在多维空间里构建稳定并唯一的二叉树结构,通过层次聚类法将非线性分类边界分成多个相对比较小的类。3.基于PCA判定的聚类合并因为传统的层次聚类方法不能准确地捕捉到非线性分类边界的局部线性特征,本文提出基于PCA判定的聚类合并算法,以类的主成分作为判定标准,将分布在同一局部线性趋向的相邻类合并为一个大类。得到了具有局部线性特征的训练子集划分,提高了准线性支持向量机的分类准确率。(本文来源于《青岛理工大学》期刊2016-06-01）
郁宇航[3]（2016）在《基于支持向量机和子集模拟法的地铁隧道可靠度研究》一文中研究指出21世纪初,伴随着我国地铁隧道建设的高速发展,大量人力、财力和物力投入到地铁隧道的建设中。在城区中修建地铁隧道对安全性有极高的要求,传统的安全系数法虽然能在一定程度上反映工程的安全性,但无法考虑变量的随机性,可靠度分析方法可以考虑变量的不确定性和随机性,在评价工程的安全性中具有重要意义。本文对几种常用的可靠度分析方法的基本原理进行了介绍,分析了几种方法在工程应用中的优缺点以及子集模拟法在解决小失效概率问题上的优越性,并将子集模拟法应用于地铁隧道可靠性分析中,主要工作如下:1.针对传统子集模拟法的不足,引入了一种改进方法,并对功能函数阀值处存在相等情况时的子集模拟法,提供了一种解决思路。2.提出了基于随机有限元法、支持向量机和子集模拟法叁者结合的可靠度分析方法,发挥支持向量机的小样本学习能力,解决了子集模拟法在初始样本点少时的计算不准确问题,并用经典算例与传统的方法进行了对比,验证了其准确性和应用的可行性,可以作为样本点不足时分析地铁隧道的可靠度方法。3.以徐州地铁3号线为工程背景,用ANSYS进行建模,使用新提出的方法和传统方法分别计算了衬砌单元的失效概率,并进行了对比。同时,考虑了两种参数变异性对隧道衬砌单元失效概率的影响:考虑了土层参数的空间变异性对衬砌单元失效概率的影响,与不考虑土体参数的空间变异性时衬砌单元的失效概率相比存在较大差别,因此在实际工程中需考虑土体参数的空间变异性;考虑了混凝土强度随时间的变化对衬砌单元失效概率的影响,随着时间的增长,衬砌单元的失效概率整体呈增大趋势。最后从衬砌单元失效概率的计算结果中可以看出,拱顶、拱底和拱肩处的失效概率较大,需要对这些部位加强监测。(本文来源于《华中科技大学》期刊2016-05-23）
谢娟英,谢维信[4]（2014）在《基于特征子集区分度与支持向量机的特征选择算法》一文中研究指出考虑特征之间的相关性对于其类间区分能力的影响,提出了一种新的特征子集区分度衡量准则——DFS(Discernibility of Feature Subsets)准则.该准则考虑特征之间的相关性,通过计算特征子集中全部特征对于分类的联合贡献来判断特征子集的类间辨别能力大小,不再只考虑单个特征对于分类的贡献.结合顺序前向、顺序后向、顺序前向浮动和顺序后向浮动4种特征搜索策略,以支持向量机(Support Vector Machines,SVM)为分类工具,引导特征选择过程,得到4种基于DFS与SVM的特征选择算法.其中在顺序前/后向浮动搜索策略中,首先根据DFS准则加入/去掉特征到特征子集中,然后在浮动阶段根据所得临时SVM分类器的分类性能决定刚加入/去掉特征的去留.UCI机器学习数据库数据集的对比实验测试表明,提出的DFS准则是一种很好的特征子集类间区分能力度量准则;基于DFS与SVM的特征选择算法实现了有效的特征选择;与其他同类算法相比,基于DFS准则与SVM的特征选择算法具有非常好的泛化性能,但其所选特征子集的规模不一定是最好的.(本文来源于《计算机学报》期刊2014年08期）
王萌,孙树栋,杨宏安,袁宗寅[5]（2014）在《基于等价支持子集重要度的质量改进算法》一文中研究指出提出一种基于等价支持子集的重要度计算方法(Support subset significant based on equivalence relation,S3ER)用于计算质量特性的重要度。S3ER算法首先定义条件属性值对决策属性值的支持度,并定义条件属性值的区分能力,通过计算条件属性值区分能力的均值,得到条件属性对决策属性的重要度。S3ER算法还能够预测未知样本类别,并获得决策属性的支持子集,通过对支持子集的分析抽取决策规则。试验对比KNN算法和带有权重的KNN算法的分类精度,验证S3ER算法所得属性重要度的有效性;对比S3ER算法、带有权重的KNN算法和C4.5算法在UCI数据库上5个分类数据集的分类精度,验证S3ER算法分类的有效性。将S3ER算法应用于某航空制造企业加工数据,得出该企业的重要质量特性的属性重要度、预测样本的质量结论,并抽取质量决策规则,以改进产品质量。(本文来源于《机械工程学报》期刊2014年04期）
高恒振,万建伟,朱珍珍,王力宝,粘永健[6]（2011）在《基于波段子集特征提取的最小二乘支持向量机高光谱图像分类技术》一文中研究指出针对高光谱图像分类,文章提出一种基于波段子集最大噪声分量特征提取的最小二乘支持向量机的高光谱图像分类算法。利用高光谱图像的谱间相关性将原始光谱波段划分为若干个波段子集,并在各个子集上采用最大噪声分量方法进行特征提取,将提取的特征合成为分类的组合特征矢量,避免了高光谱图像较强的波段相关性,减少了谱间冗余。并且采用了最小二乘支持向量机,用等式约束取代了支持向量机中的不等式约束,降低了运算量,提高了学习效率。该方法利用特征提取优化了光谱信息,降低了谱间噪声,提高了分类器的性能。实验结果证明了本文算法的优越性。(本文来源于《光谱学与光谱分析》期刊2011年05期）
郝艳友,迟忠先,李克秋,张永[7]（2008）在《基于IGA的支持向量机特征子集选择和参数优化》一文中研究指出特征子集选择和训练参数的优化一直是SVM研究中的两个重要方面,选择合适的特征和合理的训练参数可以提高SVM分类器的性能,以往的研究是将两个问题分别进行解决。随着遗传优化等自然计算技术在人工智能领域的应用,开始出现特征选择及参数的同时优化研究。研究采用免疫遗传算法(IGA)对特征选择及SVM参数的同时优化,提出了一种IGA-SVM算法。实验表明,该方法可找出合适的特征子集及SVM参数,并取得较好的分类效果,证明算法的有效性。(本文来源于《计算机工程与应用》期刊2008年22期）
乔立岩,彭喜元,彭宇[8]（2006）在《基于微粒群算法和支持向量机的特征子集选择方法》一文中研究指出在模式分类系统中,大量无关或冗余的特征往往会降低分类器的性能,因此需要特征选择.本文提出了基于离散微粒群(BPSO)和支持向量机(SVM)封装模式的特征子集选择方法,首先随机产生若干种群(特征子集),然后用BPSO算法对特征进行优化,并用SVM的10阶交叉验证结果指导算法的搜索,最后选出最佳适应度的子集对SVM进行训练.两个UC I机器数据集(户外图像和电离层)的实验结果表明了提出算法的有效性.(本文来源于《电子学报》期刊2006年03期）
乔立岩,彭喜元,马云彤[9]（2006）在《基于遗传算法和支持向量机的特征子集选择方法》一文中研究指出在模式分类系统中,往往需要从大量的特征中选择最优的特征子集,人工选择特征的方法往往费时费力,本文采用遗传算法(GA)对支持向量机进行封装的方法选择特征子集。首先使用遗传算法随机产生若干特征子集,通过选择、交叉和变异操作产生新的特征子集,经过若干代之后,得到最优的特征子集。在遗传算法中最重要的是适应度的确定,本文用支持向量机(SVM)作为分类器,为了避免出现"过拟和",把特征子集的5阶交叉验证分类准确率和特征数量的联合函数作为适应度函数。对UCI机器学习库中sonar和led数据集进行实验,结果表明本方法可以有效滤除无关特征并提高分类准确率。(本文来源于《电子测量与仪器学报》期刊2006年01期）
支持子集论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文提出了一种基于PCA的聚类合并预处理改进算法,适用于准线性支持向量机。准线性支持向量机是一种具有准线性核函数的支持向量机,通过恰当合成复合的准线性核函数,可以防止在支持向量机训练过程中过学习的问题。基于PCA的聚类合并预处理改进算法包含如下叁个部分:1.用于准确捕捉分布信息的边界监测用于分类的数据集具有高纬度和大规模的特征,寻找分类的分类边界,只需要位于正负标签分界线周围的数据。本文针对传统算法忽略分类边界分布特性的缺陷,提出了一种可以准确捕捉分类边界附近数据的算法,该方法通过寻找分类边缘附近的数据子集,减少训练数据集的计算量,提高训练速度。仿真实验证明,该方法一定程度地提高了分类的准确率。2.具有稳定架构的聚类为在多维空间里构建稳定并唯一的二叉树结构,通过层次聚类法将非线性分类边界分成多个相对比较小的类。3.基于PCA判定的聚类合并因为传统的层次聚类方法不能准确地捕捉到非线性分类边界的局部线性特征,本文提出基于PCA判定的聚类合并算法,以类的主成分作为判定标准,将分布在同一局部线性趋向的相邻类合并为一个大类。得到了具有局部线性特征的训练子集划分,提高了准线性支持向量机的分类准确率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
支持子集论文参考文献
[1].程凤伟,任晶晶.特征子集区分度与支持向量机的特征选择算法分析[J].信息系统工程.2018
[2].王进宁.准线性的支持向量机训练子集划分的分析与研究[D].青岛理工大学.2016
[3].郁宇航.基于支持向量机和子集模拟法的地铁隧道可靠度研究[D].华中科技大学.2016
[4].谢娟英,谢维信.基于特征子集区分度与支持向量机的特征选择算法[J].计算机学报.2014
[5].王萌,孙树栋,杨宏安,袁宗寅.基于等价支持子集重要度的质量改进算法[J].机械工程学报.2014
[6].高恒振,万建伟,朱珍珍,王力宝,粘永健.基于波段子集特征提取的最小二乘支持向量机高光谱图像分类技术[J].光谱学与光谱分析.2011
[7].郝艳友,迟忠先,李克秋,张永.基于IGA的支持向量机特征子集选择和参数优化[J].计算机工程与应用.2008
[8].乔立岩,彭喜元,彭宇.基于微粒群算法和支持向量机的特征子集选择方法[J].电子学报.2006
[9].乔立岩,彭喜元,马云彤.基于遗传算法和支持向量机的特征子集选择方法[J].电子测量与仪器学报.2006