CASIA OpenIR  > 毕业生  > 硕士学位论文
计算海量数据支持向量的几何方法
丁辉
学位类型工学硕士
导师王珏
2001-05-01
学位授予单位中国科学院自动化研究所
学位授予地点中国科学院自动化研究所
学位专业模式识别与智能系统
关键词机器学习 统计学习理论 支持向量机 海量数据 几何方法 邻域原理 Machine Learning Statistical Learning Theory Support Vector Machine Massive Data Geometrical Method Neighborhood Principle
摘要本论文首先从几何的角度探究了机器学习的历史。从感知机模 型的提出,到神经网络的研究热潮,到Marvin Minsky对神经网络 的批评,最后到Vapnik的统计学习理论和支持向量机,都进行了充 分的论述和几何意义的探究。 而后,我们提出了求解海量数据支持向量的基于邻域原理的复 合核函数的几何方法,并给出了相应的理论证明和几何解释,以求 能够消除以往神经网络学习中没有任何几何意义的致命弱点,并能 够将对支持向量机的研究从二次规划的路上重新引导回几何方法的 研究上。 最后,给出了求解支持向量的几何方法的试验结果,并且简单 指出了几何方法所存在的问题。
其他摘要In this paper, we first investigate the history of machine learning in a geometrical view. From the concept of perceptron, then the research upsurge of artificial neural networks, then Marvin Minsky's criticism on neural networks, until Vapnik's statistical learning theory and support vector machine, all of their geometrical senses have been formulated and investigated in detail. Then, we advance the geometrical method of compound kernel function based upon neighborhood principle to compute the support vectors of massive data. Corresponding theoretical proof and geometrical explanation are also presented. The purpose of our work is to eliminate the fatal weakness of artificial neural networks, i.e., having not any geometrical sense. We also wish to redirect the research focus on SVM from quadratic programming to geometrical methods. In the last chapter, we give the experimental results using the geometrical method to compute the support vectors. The problems to be conquered in the future is also given briefly.
馆藏号XWLW591
其他标识符591
语种中文
文献类型学位论文
条目标识符http://ir.ia.ac.cn/handle/173211/7326
专题毕业生_硕士学位论文
推荐引用方式
GB/T 7714
丁辉. 计算海量数据支持向量的几何方法[D]. 中国科学院自动化研究所. 中国科学院自动化研究所,2001.
条目包含的文件
条目无相关文件。
个性服务
推荐该条目
保存到收藏夹
查看访问统计
导出为Endnote文件
谷歌学术
谷歌学术中相似的文章
[丁辉]的文章
百度学术
百度学术中相似的文章
[丁辉]的文章
必应学术
必应学术中相似的文章
[丁辉]的文章
相关权益政策
暂无数据
收藏/分享
所有评论 (0)
暂无评论
 

除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。