摘要: 支持向量机是建立在统计学习理论基础上的新型机器学习方法，该方法克服了其它机器算法中存在的局部最小解和过学习问题，有效地提高了算法的推广能力。由于其完备的理论基础和良好的实验结果，支持向量机在指纹识别、人脸识别、自动控制设备的故障检... 展开 支持向量机是建立在统计学习理论基础上的新型机器学习方法，该方法克服了其它机器算法中存在的局部最小解和过学习问题，有效地提高了算法的推广能力。由于其完备的理论基础和良好的实验结果，支持向量机在指纹识别、人脸识别、自动控制设备的故障检测等方面有着广泛的应用。然而，支持向量机作为机器学习领域中相对比较新的理论，它还有很多方面尚不成熟，需进一步研究和改进。 本文综述了支持向量机的研究现状，针对目前支持向量机处理不平衡数据时，分类精度低以及处理大规模数据时的“瓶颈”问题，分别就支持向量机的不平衡调整以及增量学习方面进行了研究，主要内容如下： 研究了不平衡向量机的算法调整方法。本文针对不平衡数据和噪声点对分类精度影响的问题，在模糊支持向量机的思想基础上，结合不平衡数据的影响因素，重新设计了模糊支持向量机的隶属度函数，提出了一种改进的模糊支持向量机。该方法提高了支持向量机的预测分类精度，平衡了错分率。 研究了不平衡向量机的欠采样方法。本文针对传统欠采样中存在的边界样本处理策略过于简单、约减样本有限等问题，提出了一种改进的欠采样方法。该欠采样方法利用多类样本同分类超平面的距离将多类样本集分类，然后使用不同的采样率对分类样本进行欠采样。该欠采样方法在不增加计算复杂度的前提下，有效地平衡了样本数据，提高了不平衡数据的分类精度。 研究了支持向量机的增量学习方法。本文将传统的基于KKT条件的支持向量机增量学习算法与C均值理论相结合，提出了一种快速的支持向量机增量学习算法。该算法消除了历史数据和增量数据的冗余信息，提高了学习精度和学习效率。 虽然本文在支持向量机的不平衡问题和增量学习问题上取得了一些进展，然而，其中涉及到的一些参数需要人工设定，这些都需要进一步的研究和讨论。 收起