半定规划支持向量机的研究的开题报告

半定规划支持向量机的研究的开题报告开题报告题目：半定规划支持向量机的研究一、选题背景支持向量机（SupportVectorMachine，SVM）作为一种新的学习方法，具有机器学习中作用非常广泛的地位。SVM通过max-margin的思想，将数据集划分为离群值点集、边界点集和支持向量点集三种点集，从而将输入空间映射到一个高维空间，将低维空间中线性不可分的样本通过kerneltrick映射到高维空间中变成线性可分的样本。从而可以运用线性分类的方法来学习、预测、分类。这种特性适用于解决大量数据生成的‘维度灾难’，并且也适用于有噪声和非线性的分类问题。但是传统的SVM解决问题有一定的限制，即当数据存在非线性问题时，需要通过核函数将样本点映射到高维空间中，但是使用核函数并不能保证映射之后保持数据特征不变，而在一些实际问题中，需要考虑数据的特征性，例如图像分类、视频分类等，此时需要引入更多变量所提供的的额外信息，从而考虑到数据的特征性。半定规划曾被应用于优化问题中，通过引入半定规划，可以学习到由训练数据集所提供的更多变量。此时，半定规划可以将数据的特征性带入到SVM模型中，进一步提高SVM的分类准确度。因此，针对这种情况，本研究将基于半定规划理论，探索半定规划研究在支持向量机的应用。二、研究目的本研究旨在从半定规划理论的角度探求在支持向量机中的应用，在保证原有支持向量机分类准确度的基础上，进一步提高分类算法的召回率和精确度。三、研究内容1.SVM的基本原理和算法流程，分析SVM分类的主要流程及优化目标。2.半定规划的基本概念和理论，包括线性半定规划、二次半定规划、非线性半定规划等，并将半定规划应用于SVM中。3.提出一种支持向量机算法基于半定规划的改进方法，包括SMO算法、矩阵方法和内点法。4.通过MATLAB等工具实现SVM算法，并利用UCI数据集，比较传统SVM和基于半定规划SVM的分类效果，从而验证算法的有效性。四、研究意义本研究将提出一种新的算法进行支持向量机分类，该算法引入半定规划理论进行优化，从而将更加“深入”的数据特征规划到训练中，这将为机器学习中分类问题的高效解决提供一种新思路并具有重要的实际应用价值。五、可行性分析本文所研究的实验算法，需在MATLAB等环境下完成，条件已具备而且在研究技术指导的基础上，进行实验和数据分析较为可行。六、预计进度安排初步设计文章框架和思路；文献调研和分析；开展SVM和半定规划理论的学习；对算法进行初步设计和改进；建立实验环境，收集测试数据，实现算法代码，运用UCI数据集进行测试；分析实验结果，整理实验文献资料；撰写论文，修改细节，交付指导老师验收。预计在2-3月内完成本项目，并在3-4月提交论文，进行答辩。七、参考文献[1]GuojunGan.ASemi-DefiniteProgrammingMethodforLeastSquaresSupportVectorMachines.JournalofArtificialIntelligenceResearch.27(2006)79–102.[2]AgnieszkaJastrzebskaKrol,MarekWalesiak.Solvingsupportvectormachineswithsemidefiniteprogramming.JournalofIntelligent&FuzzySystems.33(2017)3071–3081.[3]Ren,W.,etal.Semi-definiteProgrammingforKernelSVM.JournalofMachineLearningResearch.6(2005)1519–1563.[4]汪涌.支持向量机理论与方法.清华大学出版社.2014.[5]Fazel,M.,etal.Arankminimizationapproachtothekernelsupportvectormachine.JournalofMachineLearningResearch.(2002)1931–1958.[6]GrigoryB,etal.AnewSemi-DefiniteProgrammingRelaxationf