神经网络配套Ch12pres(SVM课件

《神经网络配套Ch12pres(SVM课件》由会员分享，可在线阅读，更多相关《神经网络配套Ch12pres(SVM课件（23页珍藏版）》请在装配图网上搜索。

1、神经网络配套Ch12pres(SVM支持向量机(SVM)网络神经网络配套Ch12pres(SVM 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。支持向量机神经网络配套Ch12pres(SVM 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bxwx

2、gT)(0)(xg),(),.,(),(2211NNyxyxyx 1, 1iy nixR0bxwiT0bxwiT1bxwiT1Tiw xb1)(bxwyiTi1iy1iy1iy1iy1| )(|ixg0Tiw xb0Tiw xb 神经网络配套Ch12pres(SVM 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，则有：，即：支持向量机wwrxxpwxgr)(wrbwwrxwxgpT)()(神经网络配套Ch12pres(SVM 最优线性分界面的确定（续）间隔：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，

3、它是 。这样，两类模式间隔的距离为 。最优分界面：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：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w21| )(|xgw2wwwTw21min1)(bxwyiTiwwxg1)(1)(bxwyiTi| ( )| 1ig x神经网络配套Ch12pres(SVM 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

4、最优化理论的KTT条件得出解必须满足： 从必要条件1看到，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NiiTiiTbxwywwbwL1 1)()(21),(0i0),(wbwLNiiiixyw100),(bbwLNiiiy10)(21)(wwwT0 1)( bxwyiTiiNi,.,2 , 10i01)(bxwyiTi神经网络配套Ch12pres(SVM 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

5、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NiNiiNiiiiTiiTybxwywwbwL111)(21),(Niiiixyw1Niiiy10ijNiNjTijijiNiixxyybwLQ11121),()(sNiiiixyw1*iTixwyb*i0*bxwTsN神经网络配套Ch12pres(SVM 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 将样 本映射到一个高维空间（特征空间），在这

6、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Tmxxxxz)(),.,(),()(210)(bxwTNiiiixyw1)()()(),(xxxxKTiiNiTiiibxxy10)()(神经网络配套Ch12pres(SVM 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

7、最优分界面可写为：支持向量机NiiiibxxKy1*0),(),(jixxKi),(21)(111jNiNjijijiNiixxKyyQ*iNiiiy100i神经网络配套Ch12pres(SVM 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：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diTixxxxK)1(),()exp(),(2iixxxxKsgn( )y神经网络配套Ch12pres(SVM 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

8、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NiiTCwww121),(0iiiTibxwy1)(Ni,.,2,10C0iix10iixi1ix神经网络配套Ch12pres(SVM 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jNiNjTijijiNiixxyyQ 11121)(Niiiy10Ci0神经网络配套Ch12pres(SV

9、M 支持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( )xNiiiy10Ci00i1111( )()()2NNNTiijijijiijQy yxx *1()sNiiiiwyx*iTixwyb*1()( )0NTiiiiyxxb( , )iK x x1111()(,)2NNNiijijijiijQy y K xx *1sN

10、iiiiwy y*iy*1(,)0Niiiiy K xxb神经网络配套Ch12pres(SVM 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

11、的问题。支持向量机)(),(xxKi神经网络配套Ch12pres(SVM 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； 隐节点的权值由支持向量的值自动决定。支持向量机21(,)exp()iiK X XXX12(,)tanh()TiK X Xk X Xk2k1k神经网络配套Ch12pres(SVM 支持向量机设计举例 XOR问题训练样本

12、：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22112212()1,2,2,2TXxx xxxx1111( )()()2NNNTiijijijiijQy yXX 222223243344922929) 2123411213141(92222 0i1,2,3,4i ( 1, 1), 1),( 1, 1), 1),( 1, 1), 1),( 1, 1), 1)410iiiy04321神经网络配套Ch12pres(SVM 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：

13、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12349118i1,2,3,4i 123491123491123491*123411()()()()()8sNiiiiWyXXXXX ()Qi(1,1,2,1,2,2)(1,1,2,1,2,2) (1,1,2,1,2,2)(1,1,2,1,2,2)(0,0,12 ,0,0,0)神经网络配套Ch12pres(SVM 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*22112212()()(0,0, 1/2,0,0,0)(1,2,2 ,2)TTWXbxx xxxx

14、120 x x *22()TbywX1 (0,0, 12,0,0,0)(1,1,2,1,2, 2)T 1 (0,0, 12,0,0,0)( 1,1) 1 1 0 神经网络配套Ch12pres(SVM 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 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2(,)(1)TiiK X XXX12(,)TXxx12(,)TiiiXxx2222111212221122(,)1222iiiiiii

15、K XXx xx x x xx xx xx x11(,)K XX21(,)K XX31(,)K XX41(,)K XX12(,)K XX22(,)K XX32(,)K XX42(,)K XX13(,)K XX23(,)K XX33(,)K XX43(,)K XX14(,)K XX24(,)K XX34(,)K XX44(,)K XX1111()(,)2NNNiijijijiijQy y KXX 222223243344922929) 2123411213141(92222 神经网络配套Ch12pres(SVM 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

16、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1234911234911234911234911234181,2,3,4i 2(,)(1)TiiiyK X XX X4*1iiiiwy y()Qi*14 124 11( (,)(,)8jjwK XXK XX( 1,1,1, 1) *0b 34 144 1(,)(,)jjK XXK XX神经网络配套Ch12pres(SVM 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12341(,)(,)(,)(,)08K XXK XXK XXK XX4*1(,)0iiiiy K xxb2222111212221122(,)1222iiiiiiiK XXx xx x x xx xx xx x4*121(, )0iiiiy K xxbx x *0b 1,2,3,4i 神经网络配套Ch12pres(SVM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。神经网络配套Ch12pres(SVM