基于TWSVM算法的鲁棒性研究开题报告

全文总字数：4618字

1. 研究目的与意义

随着计算机技术和通信技术的高速发展，我们已经进入了一个全新的数字化时代。

当今社会，我们每时每刻都面对着大量的数据。

比如，一个具有很多营业点的银行，其网络终端会记载每个客户每次交易的时间、地点和交易金额等，记录的数据每天都高达几个级别的数据量，这意味着数据已成为数字化时代的重要研究对象。

2. 国内外研究现状分析

一、特征约简如果输入空间样本的维度比较高，那么算法的复杂度会急剧增加，而且并不是所有的数据属性对最终的分类都是有用的，一些无关的冗余属性不但会增加算法的复杂度，有时还会导致错误的分类结果。

样本数据通过核函数从低维空间映射到高维特征向量空间，放大了差异使得线性不可分的数据变成线性可分的数据，但是冗余属性的存在会带来一定的偏差。

为了减少输入数据冗余特征，提高twsvm的学习速度，2009年，ye等人提出了一种基于正则化技术的支持向量机特征选择算法。

3. 研究的基本内容与计划

一、研究内容： 1.引入类capped l1范数，从目标函数角度研究噪声对twsvm最优分类超平面的影响；2.在同一数据集上对比改进后的twsvm和其他算法的分类准确性、泛化性能以及时空效率方面的差异等。

二、研究计划：1.准备工作阶段：阅读相关资料，对所用的知识加以熟悉，准备好相关数据； 2.设计开发阶段：理论研究、在matlab下实现算法，并对不同模型算法的性能进行比较； 3.撰写论文阶段：根据前期的设计以及最终实现的结果，完成论文的撰写工作，详细描述算法原理、实现，在同一数据集上和其他算法在分类准确性、泛化性能以及时空复杂度上的优势。

并对论文中的图表和段落按照论文格式进行调整和编号； 4.论文交审阶段：完成论文的提交，审核和答辩。

4. 研究创新点

1.对数据噪声的处理改进在构造最优分类平面时，噪声对于其构造有着很大的影响，因此怎么处理噪声数据对于算法的正确分类也有着很大的关系，此外，正确处理噪声数据才能提高算法的泛化能力。

2.把类capped_l1范式应用在twsvm等算法从噪声数据出发，提高算法的精确度。

然后，对于同一个数据集，比较不同算法的分类正确率，时间等等。