一种局部化分类规则设计与实现开题报告

1. 研究目的与意义

对于平面型学习机而言，采用全局的分类规划，由于采用了平面拟合样本，所导出的分类平面在交叉处容易造成错分现象。

为解决这一局限，提出了一种局部化的分类方法，主要通过凸壳来进行设计，并将该方法应用到多分类任务中，以验证其性能。

2. 国内外研究现状分析

近年来，基于gepsvm算法，已经开发了许多平面学习方法。

此外，杨绪兵和其他人使用最大边界标准（mmc），它取代了gepsvm的瑞利商。

提出可直接应用于多分类问题的多平面最接近支持向量机（psvm based on prototypal multiclass hyperplanes,mhpsvm）算法，使得问题不仅可通过一般特征方程求解（o（n2）），且无须考虑正则化参数选择问题，这避免了上述gepsvm及其变异所共有的笨拙的参数调整。

3. 研究的基本内容与计划

1.参考老师本人所写文献，熟悉平面型分类器，如GEPSVM，LGEPSVM等2.熟悉Matlab环境；3.将局部化规则应用到多分类任务中；4.撰写毕业论文。

GEPSVM：基于广义特征值下的多平面支持向量机LGEPSVM：局部化的广义特征值最接近支持向量机第1周：测试查阅资料，撰写开题报告和文献综述第2-3周：大量阅读有关论文第4-5周：明确方向并开始着手设计第6-7周：对系统进行完善第8-9周:完善后的系统进行第10-11周：完成毕业论文，准备毕业答辩

4. 研究创新点

基于广义特征值得最近支持向量机（Proximal Support Vector Machine via Generalized Eigenvalues GEPSVM）是一种新的、具有与SVM性能相当得两分类方法，通过求解广义特征值来获得两个彼此不平行的拟合两类样本的超平面。