厦门大学硕士毕业论文开题研讨.pptVIP

基于二叉平衡决策树的SVM多分类算法的改进 报告时间： 开题报告 之 报告人： 导师: 主要内容 1 课题背景 2 研究内容 3 研究思路 4 创新之处 1 课题背景 2 研究内容 3 研究思路 4 创新之处 研究的课题 研究现状 理论基础 研究的课题 通过训练样本的学习，构成决策函数 通过决策函数判断测试样本类的归属 2 研究内容 3 研究思路 4 创新之处 ? 问题的意义 ? SVM多分类问题 ? 问题的难点 研究的课题 分类速度 分类准确率 2 研究内容 3 研究思路 4 创新之处 ? SVM多分类问题 ? 问题的难点 ? 问题的意义 指纹识别 人脸识别 车牌识别 研究的课题 2 研究内容 3 研究思路 4 创新之处 ? SVM多分类问题 ? 问题的难点 ? 问题的意义 * 1 课题背景 2 研究内容 3 研究思路 4 创新之处 研究的课题 研究现状 理论基础 优点：一次性进行多分类 缺点：变量的，求解难 直接法 OAA，OAO 平衡二叉决策树法 研究现状 2 研究内容 3 研究思路 4 创新之处 优点：准确率高 缺点：训练时间及识别时间长 直接法 OAA，OAO 平衡二叉决策树法 研究现状 2 研究内容 3 研究思路 4 创新之处 优点：准确率高，高训练与识 别效率 缺点：构造有效的决策树难， 选取合适的核函数难 直接法 OAA，OAO 平衡二叉决策树法 研究现状 2 研究内容 3 研究思路 4 创新之处 1 课题背景 研究的课题 研究现状 理论基础 2 研究内容 3 研究思路 4 创新之处 理论基础 adaboost 多核学习 通过多个核函数的叠加，代替单核计算 2 研究内容 3 研究思路 4 创新之处 通过多次迭代，区分训练集中有效数据 解决手段 1 课题背景 2 研究内容 3 研究思路 4 创新之处 1 课题背景 文献缺点 1 类间距离度量 2 算法的有效性 3 算法的稳定性 4 核函数的选取 A Multi-class SVM Classifier Utilizing Binary Decision Tree 研究目标 1 提高识别准确率 2 降低识别时间 3 降低训练时间 1 建立有效的二叉平衡树 2 加强SVM的识别效率 3 选取合适的训练集 通过结合类半径的概念重新定义类间距离 类间距离 通过分析原文献算法的若干问题提出新的建树方案 建树方案 单核的SVM有若干局限性，因此引入多核 引入多核 由于训练数据的噪点，引入adaboost提高训练数据的准确性 adaboost 图7 解决思路 1 课题背景 2 研究内容 3 研究思路 4 创新之处 1 课题背景 2 研究内容 3 研究思路 4 创新之处 手段 先通过理论分析，再通过实验验证，最后根据实 验结果强化理论 (2) 研究平台：SVMTORCH开源代码 研究条件 (1) 数据集：MNIST，Statlog，Optdigit，Pendigit 1 课题背景 2 研究内容 3 研究思路 4 创新之处 2000 （1）新的类间距离衡量方案 （2）新的建树衡量方案 （3）结合多核思想加强SVM分类效率 （4）结合Adaboost思想加强训练样本的可靠性 please give some questions Any more information