支持向量機在模式識別領(lǐng)域中的應(yīng)用研究.pdf

1、支持向量機(Support Vector Machine，SVM)方法是Vapnik等人根據(jù)統(tǒng)計學(xué)習(xí)理論提出的一種新型的、有效的機器學(xué)習(xí)方法，它以結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則和VC維理論為理論基礎(chǔ)，通過適當(dāng)?shù)剡x擇函數(shù)子集以及該子集中的判別函數(shù)，使學(xué)習(xí)機器的實際風(fēng)險達(dá)到最小，保證了通過有限訓(xùn)練樣本得到小誤差分類器。支持向量機較好的解決了以往困擾很多學(xué)習(xí)方法的小樣本、非線性、過學(xué)習(xí)、高維數(shù)、局部極小點等實際問題，同時具有很強的推廣能力。目前，統(tǒng)計學(xué)習(xí)

2、理論和支持向量機理論作為小樣本學(xué)習(xí)的最佳理論，開始受到越來越廣泛的重視，正在成為人工智能和機器學(xué)習(xí)領(lǐng)域新的研究熱點。 本論文研究的主要內(nèi)容包括以下幾個方面：支持向量機算法的改進(jìn)、支持向量機多類分類方法、支持向量機在模式識別中的具體應(yīng)用等。論文主要研究工作包括： (1)針對傳統(tǒng)的增式算法在求解SVM問題時存在的瓶頸問題，提出了一種新型的增式支持向量機訓(xùn)練算法，決策函數(shù)的閾值化以及KKT條件的引入使得保留下來的訓(xùn)練樣本都是最

3、有效的，從而提高了迭代速度和分類效率。 (2)針對傳統(tǒng)的基于決策樹方法的支持向量機多類分類方法訓(xùn)練樣本數(shù)目過多、時間復(fù)雜度過高的缺點，提出了一種基于聚類思想的支持向量機多類分類算法。空間距離和聚類思想的引入，有效的提高了算法的分類效率。仿真實驗表明，該方法在保持算法良好推廣性的同時降低了算法的復(fù)雜度，從而提高了分類效率和分類速度。 (3)系統(tǒng)介紹了模式識別理論，并將本研究中的改進(jìn)算法應(yīng)用到船艦?zāi)繕?biāo)識別和人臉識別中，與傳統(tǒng)