《最新神经网络配套Ch12presSVM-PPT文档.ppt》由会员分享，可在线阅读，更多相关《最新神经网络配套Ch12presSVM-PPT文档.ppt（21页珍藏版）》请在三一文库上搜索。
1、最优线性分界面（二分类问题） 对线性可分集，总能找到使样本正确划分的分界面，而且有无穷多个，哪个是最优的？ 一种最优的分界准则（从对样本及参数的鲁棒性看）是使两类模式向量分开的间隔最大。,支持向量机,最优线性分界面的确定 两分类的线性判别函数的一般表达式为： 。 方程 定义了一个超平面H，它把两类训练样本完全分开。设个样本为： ， ， ，则有分类规则： ， ， 由于训练集线性可分，改变权向量的摸，总可改写分类规则为： ， ， 进一步合并有紧凑式： 同样还有：,支持向量机,最优线性分界面的确定（续） g(x)可以看成是从x到超平面的距离的一种度量，见图。把x表示成： ，其中r是x到的垂直距离，则
2、有： ，即：,支持向量机,最优线性分界面的确定（续） 间隔：离分界面H最近的样本点(即使 的样本点)与分界面的距离，它是 。这样，两类模式间隔的距离为 。 最优分界面：为使两类间隔最大，应使 最小，等价于使 最小。所以，最优分界面应满足： 和 支持向量：距离最优分界面最近的位于间隔边界上的那些样本向量，也就是使得等号 或 成立的那些样本向量。,支持向量机,最优分界面的求解 用Lagrange乘子法最小化代价函数： 。 构造Lagrange函数： 其中 为Lagrange乘子，达到极值的必要条件为： 必要条件1： 即： 必要条件2： 即： 从最优化理论的KTT条件得出解必须满足： 从必要条件1看
3、到，只有 的样本对权起作用，而此 时必有 ，即相应的样本是支持向量。 故解向量w是由支持向量构建的，它们决定分类结果。,支持向量机,最优分界面的求解（续） 根据Lagrange优化方法，用对偶定理求乘子 最优解。 展开Lagrange函数有： 将 和 代入上式，则有： 求上式的最大值，可得最优解 ，则最优权向量为： （ 是支持向量的个数） 最优偏置可选用一个支持向量样本求得： 。 最优分界面是：,支持向量机,线性不可分问题 向高维空间（特征空间）映射 模式可分性的Cover定理 将复杂的模式分类问题非线性地投射到高维空间将比投射到低维 空间更可能是线性可分的。 基本原理 通过某种非线性映射 将
4、样 本映射到一个高维空间（特征空间），在这个高维空间中构造最 优分类超平面： 在特征空间用线性可分的结果，即 代入上式得 这样在映射到高维空间也只须进行内积运算，这是可以用原空间 的函数实现的。根据泛函理论，只要核函数 满足Mercer条件，它就对应某个变换空间中的内积。,支持向量机,线性不可分问题（续） 向高维空间（特征空间）映射 只要找到适当的核函数 就可实现某个非线性变换后的线性分类，类似线性可分情形有： 对 求以下函数的极大值 满足约束条件 和 。 设最优解为 ，则最优分界面可写为：,支持向量机,线性不可分问题（续） 向高维空间（特征空间）映射 不同的核函数将形成不同的算法，常用的有：
5、 多项式核函数： 径向基函数： 支持向量机的结构图,支持向量机,sgn( ),y,线性不可分问题（续）（映射后也不能保证线性可分） 增加松弛项，使分界面在训练集上平均分类误差最小。 原问题为： 寻找权向和偏置的最优值，使得它们们满足约束条件 和 ， 其中松弛变量 时， 是支持向量 松弛变量 ， 落入间隔区，在分界面的正确一侧 松弛变量 时， 落入分界面的错误一侧 此时，使得权向量和松弛变量最小化代价函数为 其中 是个常数，由使用者选定控制对错分样本的惩罚程度,支持向量机,对偶问题为： 寻找Lagrange乘子最大化目标函数 满足约束条件 和 （此项与前面线性可分情况结果不同）,支持向量机,支持
6、向量机的设计算法 在能够进行变换 的情况下： （1）在约束条件 和 （或 ）下求函数 极大值点 ； （2）计算最优权值和偏置值： ， ； （3）支持向量机的最优分界面为： 。 在选择核函数 避免进行变换情况下，不同处有： （1）求函数 极大值点 ； （2）计算最优权值： ，其中 是隐层输出； （3）支持向量机的最优分界面为：,支持向量机,支持向量机的特点 适合对小样本数据的学习，注重样本自身信息，而非产生样本的规律（概率及条件概率等）。 网络结构简单，只有一个隐层，隐层的节点数由所求得的支持向量个数自动决定。 可以根据核函数的选择自动计算重要的网络参数。 在解决模式分类问题方面，能提供较好的泛
7、化性能。 有些参数（如控制对错分样本惩罚程度的C）不易确定。 虽然可以不需知道非线性映射 的具体形式，但非线性映射的核函数 不易得。判定一个给定的核函数是否满足Mercer定理条件是一件困难事。 在待分类的模式为线性不可分时，怎样控制支持向量的选择是一个困难的问题。,支持向量机,支持向量机类型的RBF网络和MLP网络 RBF网络 Gauss核函数 ； 对所有核相同，由设计者预先指定； 隐层节点的数量由支持向量的个数自动决定； 中心由支持向量的值自动决定。 单隐层MLP网络 Sigmoid核函数 ，其中只有一些特定的 ， 值满足Mercer定理； 隐层节点的个数由支持向量的个数自动决定； 隐节点
8、的权值由支持向量的值自动决定。,支持向量机,支持向量机设计举例 XOR问题 训练样本： 方法一： 选择非线性映射函数： 将 二维输入样本映射到一个六维特征空间。 （1）求极值 满足约束条件： (即必要条件2: ),支持向量机,支持向量机设计举例 XOR问题（续） 方法一（续）： 对 求导并令导数为零，得到下列联立方程组： 解得极值点为 ， 。 可见4个样本都是支持向量。 （2）计算最优权值和偏置值：,支持向量机,支持向量机设计举例 XOR问题（续） 方法一（续）： （3）支持向量机的最优分界面为：,支持向量机,支持向量机设计举例 XOR问题（续） 方法二： 选择核函数为： 将 和 代入上式，核
9、函数可表为： 将各训练样本代入，可计算出4*4对称矩阵为： 9 1 1 1 K= = 1 9 1 1 1 1 9 1 1 1 1 9 （1）用拉格朗日乘子法求极大值点：,支持向量机,支持向量机设计举例 XOR问题（续） 方法二（续）： 对 求导并令导数为零，得到下列联立方程组： 解得极值点： 。由于4个样本都是支持向 量，隐层应有4个节点，各节点的输出为： ， （2）计算最优权值和偏置值： 其中,支持向量机,支持向量机设计举例 XOR问题（续） 方法二（续）： （3）支持向量机的最优分界面为： 即: 将 和下式( )代入上式 整理后有:,支持向量机,思考题,从结构、学习、功能和性能等方面，对含单隐层MLP网络、 RBF网络和SVM网络进行详细比较，并结合自己的研究领域讨论它们的应用前景。,