支持向量机分类参数获取的优化方法与关键技术研究

支持向量机是当前倍受国内外学者关注的数据分类技术之一.本项目主要研究该技术分类参数获取方法,从其分类参数最优化模型出发,主要研究:(1)构建基于光滑技术的参数获取方法.通过对不等式约束的适当处理,如引入松弛变量,消去约束并得到非光滑优化模型,从而利用光滑函数,设计求解算法;(2)建立正则化对偶理论分类参数获取方法. 引入近年发展的正则化对偶理论,构造几何映射变形约束域,消去约束得到简洁的正则化对偶支持向量机分类参数获取模型,设计求解算法,且根据正则对偶解,进一步可确定支持向量位置;(3)建立核函数改进方法.对于训练线性不可分的数据集,运用微分几何的知识, 构造把数据点映到高维空间微几何体的广义核,使高维数据为线性可分.本项目研究的完成,使得支持向量机分类参数获取方法理论化、实用化,从而推进智能信息处理理论基础研究,为支持向量机分类技术的实践与应用奠定坚实基础.

本项目在国家自然基金委的三年资助下, 项目负责人及其成员从根本上掌握了支持向量机（SVM）和核函数的数学本质, 给出了分类参数获取的机器学习模型和求解算法及其应用研究方面，特别是建立了基于序列光滑函数的SVM分类参数获取的无约束优化数学模型并设计出求解模型的算法，并将模型应用于杭州免费自行车系统、人名币对美元的汇率涨跌预测、数字图像分类与识别等应用领域; 给出了基于正则化对偶理论的SVM分类参数获取模型和算法. 经过三年的建设,本项目负责人及其成员完成了项目的预期目标，在SCI源期刊发表论文8篇，EI检索论文20余篇，培养了研究生3名，在读3名.