一种改进的支持向量机模型的分析与应用-analysis and application of an improved support vector machine model.docxVIP

一种改进的支持向量机模型的研究与应用 一种改进的支持向量机模型的研究与应用 PAGE PAGE 1 I 引言 人工神经网络（Artificial Neural Networks,ANN）是一种新型的算法，它是人工智能 （Artificial Intelligence, AI）的一个分支学科。人工神经网络优于线性回归方法和多线 性回归的预测方法，与统计方法相比，人工神经网络也具有灵活的实现方式。它在模拟和预 测方面优于传统的统计回归模型，具有较强的模拟预测能力及实用性。 人工神经网络已成功应用于很多领域,最常用的网络模型中,以 BP 网络和径向基(RBF)网 络应用最为广泛。 本文将人工神经网络方法应用到海洋浮游植物的生长预测上。首先在逐个分析海洋环境 因子对海洋浮游植物的生长繁殖的影响的基础上，找出对海洋浮游植物的生长繁殖有较重大 影响的环境因子，同时通过对影响海洋浮游植物的环境因子进行权重分析，综合利用人工神 经网络方法，建立了三参数生长模型，对浒苔的生长和繁殖有较好的预测。 支持向量机是 Vapnik 等人根据统计学习理(Statistical Learning Theory，简称 SLT) 提出的一种学习方法，传统的支持向量机算法自从问世以来，由于在分类上的出色表现而迅 速受到青睐，目前已有很多成功应用支持向量机来解决实际问题的例子[10]。1995 年，Cortes 和 Vapnik 又提出了软边缘支持向量机理论。软边缘是一种新的边界处理模式，对于二值分类 效果非常明显。实践表明，对于无噪声的数据而言，实施产生已久的“硬边界”可以实现样 本的无误差分类，而且具有较好的泛化能力；但是对于有噪声的数据来说，“硬边界”就表 现的不是那么理想。目前比较流行的 SVM、Boosting 等二值分类算法，其泛化能力对带噪声 的数据非常敏感，常常会出现过拟合现象，从而得不到好的分类结果。学习样本不充分或学 习机器设计不合理都会造成过拟合。用一个复杂的模型去拟合有限的样本数据，结果丧失泛 化能力，是因为在有限的样本下机器学习方法的复杂性和推广性之间存在矛盾。 支持向量机是由统计学习理论发展出来的，支持向量机方法是从线性可分情况下的最优 分类超平面提出的。最初的 SVM 方法(Boser 等人，1992）针对可分类样本实施“硬边缘”策 略，对于有噪声数据平均分类误差较大，且泛化能力较弱。而支持向量机“软边缘”方法 (Cortes Vapnik,199)正是针对这一问题提出的，得到较好的结果。本文也是针对这一问题 提出一种改进的支持向量机软边缘算法，进一步提高分类的正确率。人们在测试一个新算法 的好与坏，大多情况下是用标准数据进行研究的，但是，针对现实生活中的真实的非标准数 据，效果往往是不同的，文章最后将 BP 网、SVM 及改进的 SVM 应用于青岛奥帆赛官方网站公 布的数据对浒苔现象进行了分类预测，并对分类效果进行了对比分析。 II 人工神经网络理论介绍及应用 2.1 人工神经网络理论简介 人工神经网络（Artificial Neural Networks, ANN），一种模仿动物神经网络行为特征， 进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大 量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应 的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规 律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训 练”。示意图如下： 人工神经网络是一种新型的算法，它是人工智能（Artificial Intelligence, AI）的一 个分支学科。人工神经网络优于线性回归方法和多线性回归的预测方法，与统计方法相比， 人工神经网络也具有灵活的实现方式。它在模拟和预测方面优于传统的统计回归模型，具有 较强的模拟预测能力及实用性。 1943 年，心理学家 W.S.McCulloch 和数理逻辑学家 W.Pitts 建立了神经网络和数学模型， 称为 MP 模型。他们通过 MP 模型提出了神经元的形式化数学描述和网络结构方法，证明了单 个神经元能执行逻辑功能，从而开创了人工神经网络研究的时代。1949 年，心理学家提出了 突触联系强度可变的设想。60 年代，人工神经网络的到了进一步发展，更完善的神经网络模 型被提出，其中包括感知器和自适应线性元件等。M.Minsky 等仔细分析了以感知器为代表的 神经网络系统的功能及局限后，于 1969 年出版了《Perceptron》一书，指出感知器不能解决 高阶谓词问题。他们的论点极大地影响了神经网络的研究，加之当时串行计算机和人工智能 所取得的成就，掩盖了发展新型计算机和人工智能新途径